AI 编程实时动态与要闻

Dwarkesh Patel 于 2026-11-05 发布 Clocktower Bench：约 2 万美元 API 跑 386 盘社交欺骗桌游并开源。作者榜单 GPT-6 Astra 综合 Elo 1859，对 Opus 5.5 约 82% 胜率。

查看大图

Julius Research CEO rahul（@0interestrates，产品 Julius AI）于 11 月 5 日发布 DeepFinance：用真实交易脱敏资料室构建的 21 道 PE/投行超长程任务，人类单题约 20–30 小时（均值约 27.1 小时）、每题约 84 条 rubric。官方榜：Opus 5.5 (max) 约 54.8%，Sonnet 5.5 约 54.6%，GPT-6 Astra 约 54.2%。强调可审计轨迹，而非只对最终数字。

查看大图

BenchFlow 团队于 11 月 5 日公开 FrontierPhysics（arXiv:2611.06910）：由 42 位物理学家基于本人研究贡献 56 项任务，覆盖 9 个领域；智能体需完成文献、计划、实验与可验证产出及论文。22 个模型、26 种配置下，没有任何配置在 168 次 rollout 中通过超过 46 次；最高约 27.4%（Claude Opus 5.5 + Claude Code）。人工复盘显示主要短板是严谨推理与专家直觉，而非缺物理知识。Artificial Analysis 表示将合作托管评测。

查看大图

Hugging Face、BitRobot、新加坡具身智能中心和 NUS 等 11 月 4 日推出 RoboColosseum，一个分布式真机评测框架，覆盖 SO-101、Franka、双臂 YAM 和 Unitree G1 四种机器人。首轮在 124 个站点做了 5,699 次盲测对比，测了 5 个 VLA 策略和 3 个前沿大模型：Claude Opus 5.5 和 GPT-6 Astra 的平均任务进度分别比 VLA 高 12.1 和 11.0 个百分点，Grok 4.7 落后 7.5 个点。所有 rollout 数据公开在 Hugging Face，并向学术界提供 10,000 小时免费评测。

查看大图

独立评测机构 Artificial Analysis 11 月 4 日在 X 上宣布，把金融会计、战略运营、法律、医疗、工程、经济六个 Capability Indexes 升级到 v2.0，与 Intelligence Index v5.0 的评测对齐，并更重视 Non-Hallucination（不编造）和 Agentic Tool Use。各指数统一把 HLE 换成 HLE-Diamond、AA-Omniscience 升到 v1.1，并移除 GDPval-AA；工程指数新增 Science 能力项。官方结果：Claude Opus 5.5 (max) 六项全部领先，GPT-6 Astra (max) 在金融会计、法律、工程排第二；开放权重阵营中 Kimi K3.1 Pro（权重尚未发布）六项都领先，排在第 5 到第 8 名。

查看大图

半导体与 AI 研究机构 SemiAnalysis 11 月 2 日发布 GDPx，用来衡量前沿模型在芯片设计、网络安全、生物、金融、法律、量化交易、递归自我改进（RSI）、硬件设计、材料科学、对齐和软件工程 11 个领域的智能体能力，共 206 道任务，由 14 家专业数据公司出题、SemiAnalysis 负责最终质检。官网榜单上 Claude Opus 5.5 以 12.0% 居首，Gemini 4 Carbon 10.9%、GPT-6 Astra 9.6% 紧随其后；金融和法律任务几乎所有模型都是 0 分。SemiAnalysis 称 Opus 5.5 和 GPT-6 Astra 的总分被安全分类器拖低，并计划每 3–6 个月更新一版。以上分数均为 SemiAnalysis 口径。

查看大图

独立评测机构 Artificial Analysis 10 月 31 日发布知识与幻觉基准 AA-Omniscience v1.1，作为 Intelligence Index v5 的组成部分。新版题库从 6,000 题精简为 3,000 题，删掉已公开和已饱和的题目、修正错误与歧义并补充新题，同时在 Hugging Face 公开一套 300 题、难度与私有集校准的公开集，两者 Net Score 的 Pearson 与 Spearman 相关系数均为 0.99。结果显示 Gemini 4 Carbon（high）以 54 分领先，Claude Opus 5.5 为 48、Claude Fable 5.1 为 46；Fable 5.1 准确率最高（68%），Gemini 4 Argon 幻觉率最低（4%）。模型平均比 v1 低约 1.9 分，MiniMax M3.1 Flash 下滑 22 分。以上均为 Artificial Analysis 口径。

查看大图

生物科技初创公司 Exin Therapeutics 联合创始人兼 CEO Gabriel Ocana-Santero 10 月 28 日在 X 上披露：一个 AI 智能体从 19 种基因治疗载体中选药、选脑区、从 3 篇论文推导坐标，并驱动立体定位机械臂向癫痫模型小鼠脑内注射 250 纳升。WIRED 报道称团队先试 Claude Opus 5.5 被拒，改用 Sonnet 5 完成；兽医把关每个不可逆步骤，结果尚未经同行评审。

查看大图

Y Combinator 的研究项目 YC Labs 与多智能体环境公司 Olam Labs 10 月 29 日发布《Agents in Games》实验报告：50 个 GPT-6.1 Sol 智能体在 Minecraft 生存模式里「建设繁荣文明」3 小时，最后挤在避难所里配给口粮，发了约 5,900 条消息，搞出配给账本、许可证和各种岗位；9 局 Bed Wars 中 10 个 GPT-6.1 Sol 对 10 个 Claude Opus 5.5，GPT 以 6–3 获胜；Mindustry 50 对 50 共 7 局约 9.5 小时，GPT 以 6–1 获胜。报告还发现领导者几乎总是名册上排第一的智能体，GPT 卡住时会自己上网读游戏源码。Minecraft 智能体框架已开源。这是单一机构的实验观察，不是标准化跑分。

查看大图

Kaggle 官方账号宣布与 IBM Research 合作上线 ScarfBench，用 204 个任务测试编码智能体能否把企业 Java 应用在 Jakarta EE、Quarkus 和 Spring 之间迁移且行为不变。IBM 10 月 27 日的技术说明显示，Gemini 4 Argon + Antigravity 以 75.2% 冒烟分居首，Claude Opus 5.5 + Claude Code 全通过率最高（72.1%），GPT-6.1 Sol + Codex 每解决一个任务成本最低（1.25 美元）。

查看大图

Devin 背后的 Cognition 于 10 月 30 日 01:45（UTC）在 X 上公布，Google 新模型 Gemini 4 Carbon 在其编程基准 FrontierCode 2.0 上得分 40%，每任务成本 4.04 美元，接近最高水平，仅次于 Claude Opus 5.5、GPT-6 Astra 和 Claude Sonnet 5.5。上一代 Gemini 4 Argon 得分 26.3%，每任务成本却更高，为 6.41 美元。成绩为 Cognition 自测口径，排行榜已在官网更新。

查看大图