OpenAI 发布 GPT-6 Sol 和 Luna，API 价格降低 50%
OpenAI 已发布两款新模型 GPT-6 Sol 和 GPT-6 Luna，现已在 OpenAI API 中上线。这两款模型位于此前发布的 GPT-6 Astra 之下，旨在将其技术优势带入更快、更实惠的层级，以应对复杂编码和高容量的日常任务。
Anthropic 推出 Claude Opus 5.5，写作能力更强且成本更低
Anthropic 发布了 Claude Opus 5.5，这是其全新 Claude 5.5 系列中的首款模型，定位为比前代更高效的选择。该模型旨在以低于 Opus 5 40%的运行成本，在大多数任务中达到与 Claude Fable 5.1 相当的性能水平。
Anthropic 发布 Claude Opus 5.5，性能达 Fable 5.1 水平且成本降低 40%
Anthropic 发布了 Claude Opus 5.5，这是其全新 Claude 5.5 系列中的首款模型，在大多数任务上的表现达到 Claude Fable 5.1 的水平，而运行成本比 Opus 5 低 40%。
AISI 发布五个基准测试上六个前沿模型的验证评估结果
英国人工智能安全研究所（AISI）已通过 EvalEval 的 Evaluation Cards 平台公开了评估方法和发现，以提高基准测试的可复现性。此次发布包含五个特定基准测试的验证结果、背景信息和配置信息：HealthBench、FrontierMath、Humanity's Last Exam、SWE-Bench Pro 和 Terminal-Bench 2.0。
SpaceXAI 发布 Grok 4.7，采用更大基座模型并提升基准测试表现
SpaceXAI 发布了 Grok 4.7，这是一款面向编码、智能体任务和知识工作的全新旗舰模型，与 Grok 4.6 相比，它采用了更大的基座模型并延长了强化学习训练周期。该模型在保持与前代相同定价结构的同时，增强了自我验证、长上下文处理和安全防护能力。
中国开源权重模型在下载量和基准测试中超越美国同行
作者就开源权重模型的现状进行了简报，指出自2025年4月左右以来，中国AI公司已成为该领域的明确领导者。这一转变通过Hugging Face的下载指标和能力基准测试中的表现得到证实。
Agent Waste Index 对341,054个公开编码智能体运行进行浪费模式评分
Agent Waste Index 对来自11个公共数据集中的341,054条智能体轨迹进行了评分，以识别循环、盲目重试、工具输出过大以及放弃运行等低效问题。分析显示，Llama 智能体等较弱模型中普遍存在循环和重试行为，而在 Claude 3.7 Sonnet 和 Qwen3-Coder-480B 中则较为罕见。
Mozilla报告称中国开源AI模型落后美国前沿产品4个月
Mozilla的一份报告指出，中国的开源AI模型已缩小研发差距，仅落后于美国前沿产品四个月。尽管进展迅速，这些模型在某些基准测试中仍然落后。
Qwen3.8 Max (0902)在Artificial Analysis智能指数中得分45
Qwen3.8 Max (0902)模型在Artificial Analysis智能指数中获得了45分，重新夺回中国排行榜的榜首位置。
Prior Labs 发布 TabPFN-3.5，以默认设置击败 2015 年 Otto Kaggle 冠军
Prior Labs 发布了 TabPFN-3.5，这是一个表格基础模型，能够在单次前向传播中预测表格数据，无需针对每个数据集进行训练或调优。该模型在 2015 年 Otto Group 产品分类挑战赛的私有排行榜上得分 0.375，击败了 Gilberto Titericz 和 Stanislav Semenov 取得的原始获胜分数 0.382。
Mozilla报告发现中美AI模型能力差距缩小至4.4个月
Mozilla的一份报告指出，中国和美国人工智能模型之间的能力差距已显著缩小，缩减至4.4个月的差异。
Nums AI 发布 Causilo，一款在单模型中登顶 TabArena 的表格基础模型
Nums AI 发布了 Causilo，这是一款用于分类和回归的预训练表格基础模型，在 TabArena 的单模型中获得了最高的 Elo 评分。该模型采用上下文学习（in-context learning）方法，将训练行作为上下文存储而非更新权重，其 Apache-2.0 代码和预训练权重已在 Hugging Face 上提供。
Stellar Colosseum 利用多智能体推理进行长周期数学研究
Stellar Colosseum 是一个与模型无关的框架，旨在为数学和理论计算机科学领域的长周期研究分配推理资源，以解决语言模型在处理复杂问题时可靠性不足的问题。该系统在构建证明之前探索替代策略，使用就绪门控（readiness gate）判断某条路径是否足够成熟以进行分解，并将证明计划表示为相互依赖的章节级子问题。
Stellar Colosseum：面向长周期数学与TCS研究的多智能体框架
作者介绍了Stellar Colosseum，这是一个模型无关的框架，旨在为数学和理论计算机科学领域的长周期研究分配推理资源。该系统在构建证明之前探索替代策略，使用就绪门控（readiness gate）判断某条路径是否足够成熟以进行分解，并将证明计划表示为相互依赖的章节级子问题。
Base-10的Charlie O'Neill认为Kimi和GLM优于Opus 5
Base-10的Charlie O'Neill在最近一期与Dwarkesh Patel合作的节目中讨论了为什么Kimi和GLM模型“几乎客观上”优于Opus 5。
专家重新评分显示前沿模型在物理基准测试中接近饱和
一项对六个广泛使用的物理基准测试进行的审计研究发现，前沿语言模型报告的较低得分主要源于基准测试错误，而非模型缺陷。专家审查了问题陈述、参考解决方案和模型响应，区分了真实错误、评分器失误、不正确的参考以及模糊的问题。
DeepSeek V4.1 Flash 登顶 Artificial Analysis Intelligence Index v4.3
DeepSeek V4.1 Flash 在 Artificial Analysis Intelligence Index v4.3 更新中，于新的 Astra 基准测试中夺得第一名。
Cohere发布North Small Translate，一款主权开源权重机器翻译模型
Cohere发布了North系列中的首款翻译模型North Small Translate，该模型在CC BY-NC 4.0许可下可供研究和非商业使用。这种混合专家模型在WMT26所有语言基准测试中取得了83.6分的成绩，优于DeepL NextGen和Google Translate等专有模型。
Cognition发布SWE-2，一款基于Kimi K3后训练且可选推理强度的编码模型
Cognition发布了SWE-2，这是其迄今为止最强大的编码模型，该模型在Moonshot AI的2.8T参数开源模型Kimi K3的基础上通过强化学习进行了后训练。该模型在FrontierCode 1.1 Main上得分50.0%，仅比Fable 5.1低一分，同时成本降低了64%。
ReasoningBomb 在大型推理模型中引发病态长推理
研究人员形式化了推理时拒绝服务（PI-DoS）攻击，这些攻击利用了大型推理模型（LRMs）中显式多步推理的高计算成本。他们提出了 ReasoningBomb，这是一个基于强化学习的框架，训练攻击者生成简短的自然提示，使受害模型陷入病态长且通常不终止的推理轨迹。