AI 评测与前沿 今日: 0|主题: 228|排名: 22 

今日AI热点（3.23） 1. 英伟达NemoClaw发布：为OpenClaw打造企业级安全栈，三层防护解决部署风险 2. 黄仁勋高度评价OpenClaw：称其为史上最重要软件发布，普及速度超Linux 3. GPT-5 Codex定价出炉：输入$1.25/百万token，输出$10/百万token，专业能力强劲 4. MoltMatch事件：暴露AI智能体安全隐患，加速企业级安全方案落 ...

🔥分类赛道变天了！OpenRouter 最新一周数据：Jev 拿下分类请求 27% 份额，几乎是DeepSeek V4 Flash的 2 倍！ 当前分类请求前 3： 1️⃣TypeSafe Jev 1.13 — 27%（从接近 0 拉到第一） 2️⃣DeepSeek V4 Flash — 约 14%（此前长期第一） 3️⃣Google Gemma 4 26B A4B — 近期曾冲到 16%，现被迅速拉开 不是更大的 LLM ...

基于 FrontierHarness 和 @LotusDecoder 的工作，我们新增了针对 GLM-5.3 和 GLM-5.3-Flash 的 ZCode 支持。 ZCode 是目前针对 GLM-5.3 最强大的评测框架，且成本低于排名第二的“Claude Code + GLM-5.3”组合。 由于任务集规模较小，我们对每种组合进行了三次运行以降低方差。30 次尝试中的通过情况如下： - GLM-5.3：26 ...

我针对实际任务测试了 DeepSeek V4.1 Flash。测试涉及 2 个代码库和 105 个隐藏 Bug，要求模型尽可能找出并修复这些问题。 Opus 5 (max): 27 Grok 4.6 (max): 27 DeepSeek V4.1 Flash (max): 24 GPT-5.6 Luna (xhigh): 23 Opus 5 (high): 21 对于日常任务而言，这确实是一款非常强大的模型。再来看看成本： Opus 5 (max) ...

#全球最强模型Fable5.1发布#Anthropic这次更新Claude Fable 5.1与Mythos 5.1，把重心放在编程和科学能力上，这点我还挺看好。 不少基准测试数据，已经跑赢前代还有GPT‑5.6 Sol，纸面提升很突出。 再加上缓存费用直接下调75%，还配套企业安全方案，开发者的使用门槛会低不少。 但我始终觉得，跑分只能当作参考。实际写 ...

Anthropic深夜发布：Claude Fable 5.1、Claude Mythos 5.1，性能全面碾压前代 科研智能体能力52.6%对Fable 5的24.7%，提升超过 110%，远超Opus 5的29.0%、GPT-5.6 Sol的22.4% 商业自动化31.4%vs17.1%提升近一倍，在复杂多步骤工作流中性能较强 这版引入了多档effort设置，Low/Medium/High/XHigh/ Max，性能曲线非常激进 ...

Harness 的评测榜单 FrontierHarness v1.0 测试 harness 包括：Pi、Exo、Claude Code、Codex、DeepSeek Harness（4款）、Hermes、OpenCode、Oh My Pi、Kimi Code 测试模型：Kimi K3（选择K3，而不是 GPT、Claude，是因为测试者不想偏向 Codex 和 Claude Code) 任务类型： 21 项终端基准测试任务和 9 项深度软件工程任 ...

Google 发了 Gemini 3.8 Flash，跑分表上 14 项拿了 8 个第一，编程和 Agent 能力大幅提升，价格只有 Opus 5 的 15%。看起来很猛，但我觉得最值得聊的，恰恰是它"没赢"的那几项。 Terminal-bench 4.0 只有 19.1%，Opus 5 是 51.8%，差了两倍多。OSWorld-2.0 也被 Opus 5 甩开十几个点。这两项测的是什么？一个是极端复杂 ...

AI 的演进：从规则执行到自主行动 人工智能的发展，不是简单的技术替代，而是机器处理信息的方式不断变化： 从人类编写规则，到机器从数据中学习，再到模型理解目标并自主完成任务。 1. 萌芽探索期：1950s—1960s 这一阶段，人们开始追问： 机器能像人一样思考吗？ 1950年，图灵提出“机器能否思考”的问题；1956年达 ...

🚨对比测评：神秘模型 Ox Alpha 性能封神！ OpenCode 刚放出的 stealth 模型 Ox Alpha，在 DeepSWE 10 个硬核任务实测中直接碾压一众一线模型，平均分高达 80%，把大家都整不会了。 关键要点拆解： 🔹实测成绩（10 任务均值）
• Ox Alpha：80%（8 个任务全过 ✓，仅 2 个 ×，且有接近过线）
• fable-5：65%
• glm ...

Grok 4.6 刚刚在 MedAgentBench 上排名第一......这是现实世界代理医疗保健任务最有趣的基准之一 现在，Grok 有两代人跻身前三名 • #1 Grok 4.6 — ~95.9% • #2 GPT-5.6 Sol — ~94.7% • #3 Grok 4.5 — ~93.4% MedAgentBench 远远超出了回答医疗问题的范围 它在真实的电子健康记录环境中针对 10 个类别的 300 项临 ...

DeepSeek V4 Pro 正式版测评来了，SuperCLUE 综合总榜第2。 对比预览版，几个关键数字变化挺大：智能体编程 47.37→63.16（+15.85），幻觉控制 79.70→89.73，任务规划也涨了6.48分。推理耗时同步优化了，不是纯堆分。 精确指令遵循小幅下滑，开发团队明显优先强化长链路智能体和深度推理。支持百万级长文本，开源。 跟 ...

24 人团队，撬动 AI 芯片格局，Taalas 被 AMD 收购背后，是算力战场的转向。 不同于英伟达通用 GPU 路线，Taalas 选择牺牲通用性，将模型直接固化进硬件，绕开 HBM 内存墙，实现超低延迟推理，但缺点也很明显：一块芯片只能跑一套模型，灵活性大打折扣。 AMD 这次收购，瞄准的正是高速推理赛道。 在训练市场竞争之外，推 ...

LLM-as-a-Verifier 不断突破性价比的极限！ 在 Terminal-Bench 2.1 测试中，它将 DeepSeek V4 Flash 的准确率从 79% 提升至 88%，而价格却比竞争对手低 4 到 11 倍！ 点击此处体验：https://github.com/llm-as-a-verifier/llm-as-a-verifier @jackyk02

🚨中国人又干了一票！! 阿里巴巴刚刚发布了它所缺少的那一块拼图 它叫 OpenSandbox。 真正的隔离环境，让你的代理随心所欲。 里面可以运行什么： → Claude Code、Codex CLI、Gemini CLI、Qwen Code 和 Kimi CLI → Chrome 和 Playwright 用于自动化浏览 → 通过 VNC 的完整桌面 → 浏览器中的 VS Code → 多语言代码 ...

三星开始让AI造芯片了：一个月的工作压缩到两天，Exynos研发迎来新变量 如果一个原本需要一个多月才能完成的芯片研发任务，现在两天就能搞定，会发生什么？ 三星正在给出一个很有意思的答案。 根据韩国媒体最新报道，三星电子 System LSI 事业部从今年 5 月开始正式将 Anthropic 的 Claude Code 引入半导体研发，而且已 ...

#DeepSeekHarness发布# 【DeepSeek Harness 真正狠的地方，是它没有"核心"】 DeepSeek 的 agent 框架 Harness 上线三天，39,735 个 star。多数人当它是又一个 Coding 工具，但架构文档开头就写了它的定位：no privileged core，没有特权核心。 Claude Code、Codex 的内核是内置写死的。想加能力，走 MCP，在外部挂插件。a ...

黄仁勋9大预言！3年后机器人满街跑，AI将重塑世界。 他是黄仁勋，英伟达“皮衣刀客”，手握全球AI算力命脉。2026年最新9大预言，每一条都将改变未来！ 1、生成式AI只是开胃菜，智能体AI才是主菜，3年内爆发 2、3–5年机器人无处不在，走进家庭工厂 3、物理AI催生50万亿产业，2026是落地元年 4、数据中心变Token工厂，2 ...

今天，菲尔兹奖得主Timothy Gowers在个人博客上发了一篇长文—— 最近一次使用ChatGPT 5.5 Pro的体验 标题平平无奇，内容却让整个数学圈坐不住了。 文中，他亲手验证了一个令整个数学界不寒而栗的事实： GPT-5.5 Pro，用了不到两个小时，独立完成了一项博士论文级别的数学研究。 而Gowers本人在整个过程中，数学贡献 ...