OpenAI 发布 GPT-6.2 Astra 与 Sol,Astra 智能指数 62 落后 Fable 5.2
OpenAI 发布 GPT-6.2 Astra 和 Sol 两款模型,已上线 ChatGPT Work、Codex 及 API(gpt-6.2-astra、gpt-6.2-sol)。
推荐理由:材料汇总了 GPT-6.2 Astra 与 Sol 的定价、基准成绩和早期测试者的分歧反馈,可对照两款模型的定位差异。
OpenAI 发布 GPT-6.2 Astra 和 Sol 两款模型,已上线 ChatGPT Work、Codex 及 API(gpt-6.2-astra、gpt-6.2-sol)。
推荐理由:材料汇总了 GPT-6.2 Astra 与 Sol 的定价、基准成绩和早期测试者的分歧反馈,可对照两款模型的定位差异。
OpenAI 推出 GPT-6.2 Astra 和 GPT-6.2 Sol,API 中分别以 gpt-6.2-astra 和 gpt-6.2-sol 提供。Astra 定价为每百万 token 输入 8 美元、输出 40 美元,是 6 Astra 的 80%,缓存价格从每百万 1 美元降至 0.40 美元;Sol 维持 2/10 美元。
推荐理由:作者实测两款新模型并对比价格与旧版表现,可据此判断成本变化和实际能力边界。
OpenAI 发布 GPT-6.2 Astra 和 GPT-6.2 Sol 两款语言模型,已在 ChatGPT Work 和 Codex 中向 Plus、Pro、Enterprise、Edu 用户开放,并通过 API 提供。
推荐理由:原文汇总了多家第三方评测与定价数据,读者可据此比较 Astra 与 Sol 在成本与能力上的取舍。
Google 的 Gemini 4 Carbon 在 MathArena 数学基准上登顶,把 GPT-6.1 Sol 挤下第一,Claude Fable 5.2 位列第二。
Google 发布通用模型 Gemini 4 Hydrogen,在 Artificial Analysis Intelligence Index 默认 high 档得 51 分,超过 Gemini 4 Argon 的 50 分,xhigh 档可达 54 分。
推荐理由:文章汇总了 Gemini 4 Hydrogen 与 Argon、Claude、GPT 的多项基准和每任务成本,便于比较同价位模型的取舍。
Latent Space 作者实测了 NaiveAI 的开源权重模型 Naive-N0.5-Flash,它基于小米 MiMo-V2.5 继续训练并适配 DeepSeek Sparse Attention,主打高吞吐。
Google 正式发布 Gemini 4 Carbon,称其与 Gemini 4 Argon 互补,面向复杂多步编码、调试和开放式科研等任务。Carbon 在 CursorBench 4.0 上以接近 60% 的得分居首,领先 Fable 5.2 和 Gemini 4 Argon,单任务平均成本约 8 至 10 美元。
推荐理由:文章把 Gemini 4 Carbon 与 Fable 5.2 的基准和单任务成本放在一起比较,便于判断这轮模型竞赛的性价比变化。
Anthropic 的 Fable 5.2 在 Scale Labs 的 RLI 基准上完成 41.3% 的真实自由职业任务,远高于一年前 Manus 的 2.5% 和今年 7 月 Fable 5 的约 16%。
推荐理由:读者可了解 RLI 基准如何用真实自由职业项目衡量 AI 智能体,以及 Fable 5.2 与竞品的差距。
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2,官方称两者在几乎所有评测能力上都高于 Opus 5.5,并在多数独立榜单登顶。
推荐理由:材料汇总了 Fable 5.2 的独立评测、每任务成本变化和 effort 档位异常,可据此判断是否值得切换。
Simon Willison 发布 llm-anthropic 0.31,将 Anthropic 当天发布的 Fable 5.2 和 Mythos 5.2 加入该工具,用户可通过 llm 命令行调用 Fable 5.2。
Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2,两者共用同一模型底座,区别在于 Fable 对网络安全和生物学高风险任务设限并向所有用户开放,Mythos 解除部分限制、仅向通过 Anthropic 网络安全或生命科学验证计划的组织开放。
推荐理由:材料列出两款新模型在 Artificial Analysis 与 Anthropic 自测基准上的具体分数和成本,可据此判断其能力位置与使用代价。
Vals AI 研究人员读取 Thinking Machines 的 Inkling 2 Small 在 13 个基准、2655 次运行中的思考日志,发现 50 次运行出现 "fuck" 及其变体,共 316 次,其中 241 次来自两次失控运行。
Elorian 本月发布首个视觉推理模型 Glimpse,并联合 Mercor 推出 DecoyCount 基准,测试模型是真正数清物体还是依赖视觉捷径。
OpenAI 表示已针对 COBOL、Fortran、Visual Basic 等低资源语言改进最新模型,并构建了 MultiLangBench 和 COBOL 迁移两项评测。
推荐理由:原文给出 GPT-6 在 COBOL、Fortran 等低资源语言上的基准提升幅度,可据此判断遗留系统迁移的可用性变化。
MiniMax 发布推理模型 M3.1 Flash,在 Artificial Analysis 智能指数上得分 42,比前代 M3 高 13 分,单任务成本不到其一半。
推荐理由:通过多项基准与单任务成本对比,呈现 MiniMax 与 Deepseek 在低价推理模型上的互有胜负。
Google DeepMind 的 Gemini 4 Argon 在 ARC-AGI-3 上以 Provider Adapter Harness 测试环境取得 97.5%,成本 4800 美元,成为继 OpenAI 之后第二家跨过 95% 的实验室,仅次于 GPT-6 Astra 的 99.9%。
推荐理由:梳理 Gemini 4 Argon 在 ARC-AGI-3 等基准上的成绩,并说明测试环境差异如何影响分数可比性。
Simon Willison 用“穿渔网袜的犰狳在火星乱穿马路”这一提示词,分别让 claude-opus-5.5、gpt-6.1-sol、gemini-3.8-flash 和 mistral/mistral-large-4 生成 SVG,以回应 Hacker News 上关于基准测试已饱和的评论。各模型均使用默认推理等级。
Google 发布新前沿模型 Gemini 4 Argon,在多项基准上缩小了与 OpenAI、Anthropic 的差距,但未取得明显领先。该模型先向 Fairwind 计划的“可信网络防御者”和 Google 内部团队开放,之后才面向开发者、企业和消费者,API 定价为每百万输入 token 2 美元、输出 token 10 美元(推广价)。