Artificial Analysis 推出了 Decision Index v1.0，用于比较决策模型在分类、工具调用、知识和推理方面的能力、成本与速度。Jev 1.13 以 58 分领跑决策模型；Claude Haiku 5.5 (Low) 得分为 61，但每项任务耗时 1.4 秒，而决策模型耗时 0.13 秒；每百万项任务的成本为 184 美元，而决策模型为 42 美元。领先的决策模型在分类和工具调用方面表现与语言模型相当，但在知识和推理方面落后；在这两项任务中，它们给出的答案概率通常高于其准确率。
据 QbitAI 报道，截至 2026 年 10 月 13 日，MagicLab Studio 的 EchoPolicy-0 在 MolmoSpaces Combined 排名第一，在 3915 个评测回合中，四项 v1 操作任务的平均成功率达到 75.4%。其拥有 34 亿参数的 MagicBrain 以 72.4% 的平均成功率和 94.4% 的抓取成功率位列第四。EchoPolicy-0 将 VLM 引导的候选轨迹选择与执行检查相结合；MagicBrain 则利用视觉标记和后训练，在不改变 VLA 架构的情况下，将目标位置与动作关联起来。
@lillyguisnet发帖称：“我的图像指点基准测试又创下新的SOTA。”Alexandr Wang：这才是我支持的那种基准测试。
让灵魂充满好奇
Artificial Analysis 推出了 AA-3D，这是一项基准测试：AI 智能体根据七个领域的 55 份文字简报生成交互式 three.js 场景，供人类进行盲测比较。 来自 1,000 多名评审的计票数超过 10,000 票，按 Elo 对 21 个模型进行排名，并给出 95% 置信区间；Claude Sonnet 5.5、Claude Opus 5.5、GPT-6 Astra 和 Claude Fable 5.1 在统计上并列领先。 模型最多可用三小时和 250 轮，报告的每个场景成本从 $0.20 到 $32.08 不等。
人们对 Artificial Analysis Index 及其各项分数过于认真了。
@theo 将 Opus 5.5 和 Muse Wonder 列为 S 级。Alexandr Wang 表示：“哇，theo 给了 S 级！这可不在我的宾果卡上。”
Meta发布了Muse Wonder和Muse Wonder Full，在Artificial Analysis Intelligence Index v4.3中分别获得52分和56分，而Muse Spark 1.3为48分。两款模型均支持一百万Token的上下文窗口，以及文本、图像、视频和音频输入；编程和智能体表现更强，但事实知识弱于领先竞品。Muse Wonder可通过Meta的API和Muse Code使用，价格高于前代产品；Muse Wonder Full目前仅限Muse Code用户使用。
同一新闻，精选展示《Meta releases frontier models Muse Wonder and Muse Wonder Full》
祝贺 Meta 训练出前沿级模型！在 WANDR 评测中，Watermelon 的表现优于 Fable 5.1。https://twitter.com/alexandr_wang/status/2109689491300794551
🍉 MUSE WONDER 🍉 @LexnLin 表示，Muse Wonder 已发布，并根据 Artificial Analysis 的排名位居全球第二，得分为 56，而 Opus 5.5 得分为 58。Alexandr Wang 的帖子写道：“🍉 MUSE WONDER 🍉”
Baoyu报道，Meta于10月12日发布了Muse Wonder和Muse Wonder Full。Muse Wonder今日通过Meta Model API和Muse Code开放，Full则仅限Muse Code订阅用户使用。Meta的博客称，面向消费者的开放即将到来，而扎克伯格表示订阅用户今天就能使用。模型支持100万token的上下文窗口，可接收多模态输入并输出文本。Meta称，模型在持续的智能体任务、编程和记忆方面表现出色，但其对比包含内部基准测试，以及可能未经过最佳配置的竞品测试。
同一新闻，精选展示《Meta releases frontier models Muse Wonder and Muse Wonder Full》
Artificial Analysis 推出了 FrontierCode 1.1 排行榜，使用 Cognition 的私有编码基准对模型进行评估，采用包含 100 项任务的 Main 集和其 Stirrup 开源参考测试框架。评分结合单元测试与面向维护者的标准；任何一项阻断性检查未通过，得分即为零。Claude Opus 5.5（max with fallback）以 52% 领先，尝试中通过阻断项的比例为 58%；开放权重模型中 MiMo-V2.6-Pro 以 45% 领先，而 GPT-6.1 Sol（max）每项任务费用为 $0.81，得分 49%，与 Claude Fable 5.1（max with fallback）持平。
中文版本尚未就绪 · 显示原文
“[Muse Wonder] definitely mogged Astra in my hardcore physics testing.” — the new beff times
据 Alexandr Wang 引述的帖子，Meta 已发布 Muse Wonder 和 Muse Wonder Full。在最高推理力度下，它们在 Artificial Analysis Intelligence Index v4.3 上的得分分别为 52 和 56，而 Muse Spark 1.3 的得分为 48；两次发布间隔 6 周。Muse Wonder 可通过 Meta 的第一方 API 和 Muse Code 使用，而 Muse Wonder Full 仅向 Muse Code 用户开放；两者的上下文窗口均为 1M 个 token。
推荐理由：Artificial Analysis 的对比凸显了一个权衡：与 Muse Spark 1.3 相比，Muse Wonder 的基准测试表现有所提升，但每项任务的成本更高，尽管其输出 token 用量更低。
如果你公布了某个模型的基准测试成绩，却说要“稍后”才发布（权重、产品、API 等），那在你发布之前，就几乎可以肯定会有人推出同类别中更好的模型。
据宝玉对这则公告的介绍，Meta 于 10 月 12 日发布了 Muse Wonder 和 Muse Wonder Full。开发者可以通过 Meta Model API 或 Muse Code 使用 Muse Wonder；Full 则面向 Muse Code 订阅用户开放。Meta 的博客与扎克伯格在 X 上的帖子对消费者何时可以使用这两款模型说法不一。这些模型支持 1 million Token 上下文窗口，可接收多模态输入并输出文本；Meta 公布的基准测试显示，它们在持续的智能体任务和编码任务上表现较强，但在其他方面表现较弱。
同一新闻，精选展示《Meta releases frontier models Muse Wonder and Muse Wonder Full》
Meta已发布Muse Wonder和Muse Wonder Full。Artificial Analysis报告称，在最高推理力度下，这两款模型在其Intelligence Index v4.3中的得分分别为52和56，而Muse Spark 1.3（最高推理力度）为48。Muse Wonder Full在全部十项评测中均有提升，其中智能体评测的提升最大。发布时，Muse Wonder可通过Meta第一方API和Muse Code使用，而Muse Wonder Full仅面向Muse Code用户；Muse Wonder每项Intelligence Index任务收费4.52美元。
同一新闻，精选展示《Meta releases Muse Wonder and Muse Wonder Full with higher benchmark scores》
Le Chonk 在视觉定位任务上表现出色。 能精确指出图像中物体的位置。 在 Dense 200 上得分 42%，甚至超过了前沿闭源模型。
Import AI 476 介绍了 Humanity’s Sixth Sense，这是 Elorian 和 Scale AI 推出的一项基准测试，用于评估直觉式视觉推理。人类的综合 pass@1 得分为 93.1，而 GPT 6 Astra 得分为 53.6；GLM-5.3-flash 和 Kimi K3 分别为 26.8 和 25.5。本期通讯还探讨了 AI 如何加速太空开发，并报道了 TasteVal——一项评估 AI 系统研究品味的基准测试。
评估公司 Vals AI 在 Vibe Code Bench 上测试了 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和团队形式运行，并采用中等和最高推理强度。团队的成本比单个智能体高出 1.8 倍至 5.1 倍，而在四组对比中只有一组显示出统计上显著的提升：GPT-6 Sol 在中等推理强度下，团队得分高出 7.3 分。在最高推理强度下，团队未能给任一模型带来真正的优势。
Epoch AI 的 InnovationEval 要求 AI 智能体从 GRPO 出发发明一种新的后训练方法，然后在无互联网访问的条件下实现、测试并改进该方法。在宽松评分下，GPT-5.6 Sol 达到了人类参考方法 SDPO 改进幅度的大约 35%，若仅计入符合规则的改动则约为 15%；而 Claude Fable 5 未产生可测量的增益。两个智能体都只报告了各自的最佳运行结果，Epoch 由此得出结论：人类将需要审查所有由 AI 生成的研究。
谷歌发布了Nano Banana 2.1，这是一款升级版图像生成模型，支持4K输出、基于蒙版的编辑以及改进的主体一致性。据Arena称，它在文生图、多图编辑和单图编辑方面平均提升了约61.7分，谷歌将1K和2K图像的API价格减半，同时将4K价格下调约25%。该模型已在Gemini应用和Google AI Studio中上线，每天提供50个免费额度。
推荐理由：这篇文章汇总了Arena排名提升、API降价以及Nano Banana 2.1的早期用户测试，包括据报道的水印和重复编辑问题。
Nathan Lambert 表示，数据行业已经发展壮大，但低质量输出可能会放大奖励黑客等行为。他正在为 Mercor 提供建议，研究如何为强化学习提供样本效率更高的数据；他还表示，该领域需要更扎实的评估科学，以及与明确经济价值领域相联系的基准。Lambert 预计，围绕前沿实验室，将在开放推理、开放式后训练和数据领域出现大量投资，并有机会基于开放模型开展建设。
由清华大学领衔的团队举办的 WorldArena 2.0 挑战赛于9月16日发布最终排行榜，共设三个赛道，涵盖视频质量、作为强化学习环境的世界模型以及真实机器人操作。Visincept 的 WorldIncept 赢得第一赛道，中关村学院的 MW2 赢得第二赛道，小米机器人的 ViTacX 位居第三赛道榜首，总奖金为7,000美元。组织者表示，接触密集的真实机器人操作仍是一个瓶颈。
HiDream 的新视频模型 HiDream-O1-Video-1.0 首次登上 Artificial Analysis 图像转视频（含音频）排行榜第 6 名，仅次于 Dreamina Seedance 2.0 720p。HiDream 将其定位为一款原生全模态模型，旨在实现物理一致性，可生成时长为 5 至 20 秒的 1080p 视频，并原生同步音频，时长取决于场景。该模型可通过 vivago R1 Studio 和 HiHarness API 使用，1080p 带音频视频的费用为每分钟 $5.80，约合每秒 $0.10。
如今的前沿语言模型能否在没有指导的情况下，以零样本方式控制真实机械臂？ AA-Robotics v0.1 即将推出。
HeyGen Voice 在 Artificial Analysis 的 Controlled Voice TTS Arena 排行榜中排名第 1。该排行榜使用相同的 8 种克隆语音，对美式和英式英语进行评估。 它在 1,468 次竞技场参评中的 Elo 评分为 1,201，高于 Qwen-Audio-3.1-TTS-Plus 的 1,182 和 Eleven v4 Turbo 的 1,166。 HeyGen Voice 的发音稳健性得分为 83.1%，在 29 个模型中排名第 10；费用为每 100 万字符 30 美元，生成速度为每秒 40 个字符。
Artificial Analysis 使用四款模型连续进行 30 次房产布置编辑测试：GPT Image 2.5 Sunburst、Ideogram 4.5、FLUX 3 和 Nano Banana 2.1。结果发现，Ideogram 4.5 保留了房间的大部分原貌，而其他模型都出现了偏移。其排行榜衡量的是单次编辑表现，而这项测试则让每个模型都以自己的上一次输出为基础继续编辑。在小幅编辑中，Ideogram 4.5 和 FLUX 3 基本保持了至少 95% 的图像不变；GPT Image 2.5 Sunburst 保持不变的部分约占五分之一，偏移也最明显；Nano Banana 2.1 虽然只编辑局部，但图像逐渐变暗。
François Chollet 写道：“我们现在在 Kaggle 上的 ARC-AGI-2 得分相当不错！” 在这条被引用的帖子中，@arcprize 报告称，@tufalabs 在 ARC Prize 2026 的 ARC-AGI-2 上取得了 88.06% 的新高分。除保证奖金外，15 万美元的额外奖金将在所有得分超过 85% 的团队之间分配。
联想天禧 AI 自研代码智能体框架 TianxiCode 配合 DeepSeek-v4.1-Flash，在 SWE-bench-Live（Lite 分榜）以 71% 的问题解决率登顶全球第一，并通过官方 Verified 核验。该框架具备跨文件多跳检索、自驱动规划与多轮工具调用、闭环补丁生成与测试驱动自愈三大工程能力，未来将应用到联想 AI 硬件产品中。
来自腾讯混元、复旦大学和清华大学的研究人员发布了 ExplorationBench，这是一项用于衡量 AI 系统探索能力的基准测试。它采用两个可验证的沙盒：AlienCode 包含 31 项隐藏规则变更和 70 个任务，AlienLogic 包含 24 条修补后的推理规则和 70 个定理；评分由解释器或证明检查器完成，而非由大语言模型评判。在对 10 个前沿系统的测试中，反馈优于单纯思考；AlienCode 的最佳运行结果在四轮后达到 89.0%。
Artificial Analysis 报告称，Grok Imagine Video 1.5 Lite 在 AA-Video-T2V v2.0 和 AA-Video-T2V-Silent v2.0 中均排名第 17，领先于 Google 的 Veo 3.1，价格约为其三分之一。 生成一段 10 秒 1080p 视频的中位耗时为 60.5 秒，使其位于质量与速度的帕累托前沿。 SpaceXAI 对 1080p 输出的定价为每秒 0.14 美元（每分钟 8.40 美元）；可通过 SpaceXAI API、同价的 fal 以及 Vercel AI Gateway 使用。
Epoch AI 报告称，与 GPT-6 Sol 相比，OpenAI 将 GPT-6.1 Sol 的缓存输入价格减半。其测量结果还显示，新模型处理长提示词的速度更快。该帖子认为，这些发现指向 GPT-6.1 Sol 采用了新架构。
AI 模型众包排行榜 Arena 完成 2 亿美元 B 轮融资，估值 31 亿美元，由 Lightspeed Venture Partners 和 Khosla Ventures 领投，Salesforce Ventures、01 Advisors、Dell Technologies Capital、Endeavor Catalyst、a16z、Felicis 等参投。
AI 能实现 Epoch 的工作自动化吗？我们推出 Epoch 自动化报告，通过源自我们自身工作的真实、开放式任务评估前沿模型。 Claude Fable 5.1 和 GPT-6 Astra 表现领先，但距离全面自动化 Epoch 的工作还很远。
Aravind Srinivas 表示，Perplexity Decider 在 DecisionBench 上排名第一，成本也最低。 https://twitter.com/rohanatlan/status/2108233674538041588 @rohanatlan 发布的引用帖称，Decider V1.1 在 949 个共享文本案例中的准确率达到 93.9%，中位延迟为 534 毫秒，每 1,000 次决策成本为 0.016 美元，并表示他们计划在自己的产品使用场景中试用它。 最新结果：https://decisionbench.ai
阿布扎比技术创新研究院（TII）发布 1.6B 参数的语音识别模型 Falcon-ASR，主打阿拉伯语及阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。在六个阿拉伯语测试集上平均 WER 为 20.92%，比所用榜单快照中最佳公开结果 23.17% 低 2.25 个百分点；内部阿联酋方言评测 WER 22.73%、CER 10.19%，优于 Qwen3-Omni。
UniPat AI 发布 PaperBenchX，这是国际上第一个多学科端到端论文结果复现基准，从 93 篇论文构建 93 个复现任务，横跨电磁、光子、化学、材料、生物、机器人等 12 个研究方向和 10 种领域原生科学环境，含 3168 条专家校验评分项。
Anthropic 发布快速低价模型 Claude Haiku 5.5，定价为每百万输入 0.10 美元、输出 0.50 美元，与 OpenAI 上月发布的 GPT-6 Luna 完全一致，但超过 100,000 tokens 后涨至 0.50/2.50 美元，而 Luna 在 272,000 tokens 才涨到 0.20/0.75 美元。
推荐理由：作者实测了 Haiku 5.5 的定价、tokenizer 变化与不同推理档位的成本耗时，可据此判断它与 GPT-6 Luna 的取舍。
Common Sense Media 发布研究，将 OpenAI 的 ChatGPT for Teens 评为不可接受风险，认为其设计仍在鼓励青少年持续对话，即使在心理危机场景中也是如此。
