AI 编程实时动态与要闻

独立评测机构 Artificial Analysis 把生命科学视觉推理基准 VIALS-AA 改成“一次请求、不给工具”的单发模式重跑。结果显示，工具让各模型平均分从约 25% 升到约 47%。榜首 Claude Fable 5.2 (max) 带工具 67%、每题 4.20 美元，不带工具只有 44%、0.73 美元；Claude Haiku 5.5 (max) 带工具 49%、每题 0.07 美元。同日 AA 另指出：在 Claude 产品线里，升一档模型通常比把推理强度开到最大更划算。

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

2026-10-23（UTC 15:41，SGT 23:41），NVIDIA AI 官方账号 @NVIDIAAI 宣布 Nemotron 3.5 Bolt E4B 4GB 上线，定位是能对话、能调用工具的本地小模型，用于本地助手、互动角色和机器人。Hugging Face 官方模型卡显示：它由 Gemma-4-E4B-it 后训练而来，总参数 8B（有效 4B），Q4_K_M 量化，输入输出各支持最多 64K token，可开关思考模式，并提供 DFlash 推测解码草稿模型和 BF16 版本；权重、数据和训练配方开放，许可证为 OpenMDW-1.1，可商用。模型卡跑分中，4GB 量化版 MultiChallenge 55.60（Gemma4 E4B-it 同量化 39.36、Qwen3.5 4B 52.23），但 Tau2-Bench 52.32、BFCL-v3 67.31 低于 Qwen3.5 4B。

查看大图

10 月 20 日，ElevenLabs 发布 Eleven Realtime，一类端到端语音到语音模型，每个模型本身就是完整的语音 Agent，不再需要自己拼语音识别、大模型和语音合成。v1 Mini 主打低成本自然对话，v1 Max 面向客服和多步骤工具调用。两者支持 90+ 语言、可用 17,000+ 种音色。官方引用 Artificial Analysis 独立评测：Max 在 Big Bench Audio 答对 98.8%、平均 0.57 秒开始说话。接口兼容 OpenAI Realtime API，改端点和模型名即可迁移。

查看大图

Liquid AI 10 月 13 日发布 LFM2.5 家族最大也是最后一款模型 LFM2.5-24B-A2B：总参 24B、每 token 激活约 2.45B，131K 上下文，强制先思考再回答。厂商口径下在 8 项工具/Agent 基准中 5 项领先或持平 Qwen3.6-35B-A3B（AutomationBench 27.69 vs 8.72），但 SWE-Bench Verified、GPQA 等知识与编码项落后。权重已上 Hugging Face，并有 GGUF/MLX/FP8/ONNX 版本；API 定价 $0.10/$1.00 每百万 token，OpenRouter 同步上架。

查看大图

IQuest Research 的 IQuest-Q1（约 320B 总参 / 15B 激活、524K 上下文）面向仓库级编码、终端与长程工具调用；权重与部署镜像已在 Hugging Face / GitHub。官方同管线自评：DeepSWE v1.1 64.6、NL2Repo 63.0、CyberGym 84.5、Terminal-Bench 2.1 83.2；支持 SGLang/vLLM 与 Claude Code / Codex 接入。

查看大图

随着大模型加速渗透进网络安全工作流，安全专家期望智能体能够将自然语言攻防意图直接转化为精确的底层终端命令。然而现有评估往往局限于高阶选择题或模糊的端到端 Agent 任务，无法精确度量模型为真实网安工具生成可执行命令行（CLI）的能力。网络安全操作对语法极其严苛，微小的参数误绑定、参数顺序颠倒或漏配标志位即可导致渗透执行失败。来自 MBZUAI 等机构的研究学者推出了面向 Kali Linux 的细粒度自然语言到命令行转换基准 KaliBench，涵盖 23 个安全能力维度、5 大攻防阶段共 1,642 款真实安全工具的 8,504 组查询-命令对。评测发现开源模型在无提示约束下准确率普遍不足 42%；而结合 KaliBench 提供的无运行时可验证奖励进行强化微调后，8B 模型综合表现直接追平 685B 超大参数 MoE 旗舰。

查看大图

《绝地求生》（PUBG: BATTLEGROUNDS）开发商 KRAFTON 联合 AI 研究团队在 Hugging Face 与 ArXiv 正式公开了《PUBG Ally: A Conversational Embodied Agent as an AI Teammate》（arXiv: 2609.29837）。面对在复杂动态、毫秒级延迟与生死对抗的 AAA 级游戏中构建自主协同队友的极端挑战，团队打造了首个能边听边说、边打边战的全双工具身智能体 PUBG Ally。智能体采用“高层大模型策略决策 + 低层高频实时电机控制”的双层异构架构，并在全球 141 个国家进行了近 3.9 万场真实玩家在线匹配实战演练，净推荐值（NPS）正向超负向达 25.1 个百分点。

查看大图