Hebbia 使用 GPT-6 Astra 改进金融研究
Hebbia 测试 GPT‑6 Astra,以改进 Matrix 寻找问题所需来源和按要求制作演示文稿的能力。测试中,它在引用所需来源类型上领先最佳替代模型 13.6 个百分点,引用片段相关率为 99.5%;同时满足 97.9% 的适用演示要求,领先最佳替代模型 14.4 个百分点。
Hebbia 测试 GPT‑6 Astra,以改进 Matrix 寻找问题所需来源和按要求制作演示文稿的能力。测试中,它在引用所需来源类型上领先最佳替代模型 13.6 个百分点,引用片段相关率为 99.5%;同时满足 97.9% 的适用演示要求,领先最佳替代模型 14.4 个百分点。
GPT 6.2 Astra 在 XDOF 的机器人基准 Ember-0 上取得 41.2% 的成绩。相比 9 月初 GPT 6 Astra 的 19.6%,得分大幅提升,XDOF 预计该基准很快将趋于饱和。
Airbnb Engineering 在新基准中用单张 NVIDIA RTX Pro 6000 GPU 部署 Gemma 4 E2B 进行策略分类,最高 F1 从 0.563 升至 0.902。
Muse Wonder 在 Legora 11 月 BAR 法律工作基准中获总体质量最高分,并在分析与回答、提取、起草和编辑 4 类任务领先。GPT-6.2 Astra 在比较与审查任务中领先,总体质量高于模型平均值 4%,单案成本低 20%;GPT-6.2 Sol 质量高于平均水平,单案成本低 78%。
Daniel van Strien 对 8 款可免费获取的 AI OCR 模型进行比较,数字化 100 万页的 GPU 租赁成本现为 $65 至 $130。使用同一 Nvidia RTX PRO 6000 和相同图像尺寸时,RolmOCR 处理 1,000 页约需 51 cents,LightOnOCR-3-0.8B 不到 10 cents。
Google DeepMind 发布 Gemini 4 Neon,这是约七周内推出的第四款 Gemini 4 模型,定位为比 Carbon 更快、更便宜的中端型号。
Arena.ai 的评测称,Muse Ember (Max) 在速度、Agent Arena 得分和成本上领先 GPT-6 Luna (Max) 与 Claude Haiku 5.5 (High)。三者每项任务耗时分别为 27s、5.8 min 和 1.9 min,Net Improvement 分别为 +2.3%、+1.4% 和 +0.4%,成本分别为 1.9¢、7.0¢ 和 6.9¢。
OpenAI 发布 GPT-6.2 Astra 和 Sol,并向 ChatGPT Work、Codex 及 API 用户推出。Artificial Analysis 测试显示,Sol 以约 15% 的单任务成本追平 9 月版 Astra;新 Astra 的 Intelligence Index 得分为 62,低于 Fable 5.2 的 65。
字节跳动最新图像模型 Seedream 5.5 登上 Artificial Analysis AA-Image-T2I v2.1 的质量价格前沿,以 $20 per 1k images 成为 $30 以下最佳模型。
Artificial Analysis 称,GPT-6.2 Astra 在衡量模型构建交互式 3D 体验能力的 AA-3D 基准中排名第 1。与其他模型进行两两比较时,人类在 152 次投票中有 139 次更偏好它生成的场景。
Qwen4-Max 在 Artificial Analysis Index 获得 43 分,比 Muse Wonder 低 1 分。Qwen4 Max(xhigh)比 Qwen3.8 Max(xhigh)高 9 分,比 Kimi K3.1 Pro(max,46)低 3 分;它还以 14.7k 次真实智能体会话的 +7.5% 净提升位列 Agent Arena 第 14 名。
推荐理由:材料并列呈现外部基准成绩与官方内部评测数据,便于比较 Qwen4-Max 相对前代的能力、token 消耗和调用成本。
Qwen4-Max 在 Vals Index 中排名总榜第 11,位列中国模型第一,整体能力较 Qwen 3.8 Max 0902 有提升。Vals AI 指出,Qwen4-Max 在编码和金融任务上的提升尤为明显。
Qwen4-Max 在 Python-PPTX arena 以 Elo 1302 排名第4,并在 Spreadsheet arena 以 Elo 1336 排名第5。
Qwen4-Max 在 Agent Arena 中较 Qwen3.8-Max 净提升 +7.5%,整体排名从 #39 升至 #14,Alibaba 位列整体第5实验室。该结果基于 14.7k 个真实世界智能体会话,Qwen4-Max 在四项报告信号上均有提升,并成为排名最高的中国模型。
推荐理由:原文将 Qwen4-Max 与 Qwen3.8-Max 的排名、净提升和四项信号变化放在 Agent Arena 中比较,便于理解这次模型更新的具体表现。
Qwen4-Max 在 Code Arena: WebDev 以 1750 pts(preliminary)排名第 6,较 Qwen3.8-Max 提升 74 pts。它还在 HTML、Brand & Marketing 和 Reference-Based Design 中分别排名第 6、第 8 和第 8,成为这些项目中的 top Chinese model。
Google推出Gemini 4 Hydrogen模型,替代此前产品中使用的Gemini 3.8 Flash,面向普通用户开放,不像此前的Argon和Carbon限制为付费订阅用户。
Mistral AI 发布 Timestral 时间序列基础模型家族,提供 5M、28M、123M 和 209M 四种规模,支持多变量概率预测、过去协变量和已知未来协变量。
推荐理由:原文同时给出四种参数规模、CPU 推理延迟和公开基准结果,便于比较时间序列基础模型的精度、效率与部署成本。
LightSeek Foundation 在 TokenSpeed 测试中测得 Qwen3.8-Flash-Next 单用户输出速度达 685 output tokens/s。测试运行于 4× NVIDIA GB300,使用 NVFP4,并介绍了相关 kernel 和 serving 优化。