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。
METR 更新 AI 时间跨度图,加入耗时更长、更加开放且依赖判断的任务;报告显示部分能力继续呈指数提升,但模型在此类任务上的表现不及编码任务和人类。没有一项由 AI 设计的评测被 METR 员工认为可用于研究,Opus 5.5 等新模型仅达到“勉强高于门槛”的水平。由于人类完成时间多为估算、开放式任务样本少且部分评分依赖单一评审,报告难以据此清晰外推 AI 研发自动化的进展。
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。
Astra for Law 在覆盖 24 个法律领域的发布评测中排名第一,所有 ChatGPT Enterprise 客户现可申请访问。
月之暗面认为编码领域的收益正在递减,正将 Kimi 语言模型转向生物学、化学和医药研究。DP Technology 正将 Kimi K3.1 Pro 集成到研究助手 BioMaster 中;一次测试中,AI 用 90 分钟分析了 3,696 个小鼠胰腺细胞的基因数据并标记出 100 个候选基因,而人工预计需要 4 小时。
NVIDIA 公布 Vera Rubin 的 MLPerf 首测结果,称其领先 MLPerf Training v6.1 全部项目,智能体推理每瓦吞吐量较 GB300 提升超过 10x。
VibePrevisBench 可将脚本、照片或视频转换为 Blender 中可执行的 4D 场景,并对转换结果进行评测。它采用基于规则的方法检查场景本身,并基于 VLM 检查对应的代理视频。
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。
Agent Initiative Benchmark 在一家拥有 6 年详细历史、财务模型、CRM 记录、逾期发票和 Linear 工单的模拟公司中,测试了 12 个前沿模型如何通过 Slack 主动协助团队。
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。
SO-Arena 基准测试评估了 System One 模型在11个领域、五类能力中的能力范围与决策可靠性。它通过证据核验、细粒度难度标准和沙盒交互任务评估能力,并用选项集变化下的决策稳定性和无有效选项时的缺失答案识别衡量可靠性。对21个模型的评估显示,扩展规模和增加推理的收益因领域而异,整体表现最强的 System One 模型在可靠性上排第七。
Anthropic 与 Diode Computers 合作,测试 Claude Fable 5.2 从电路设计、PCB 布局、CAD 建模到固件编写的电子设备设计能力。
推荐理由:文章展示 Claude Fable 5.2 从电路布局、CAD 建模到固件编写的完整硬件设计流程,并用 PCB Gym 与 BenchCAD 结果呈现其相较旧模型的提升。
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。