跳到正文
#评测/基准
7月25日周六
  3. Simon Willison 博客58

    Anthropic 发布 Claude Opus 5

    Anthropic 发布 Claude Opus 5，定位为接近 Claude Fable 5 前沿智能但价格减半的模型，目前在 Artificial Analysis 排行榜上领先所有模型。该模型定价与 Opus 4.8 相同，并提供成本翻倍的“快速模式”。因通用能力提升，Opus 5 在网络安全漏洞发现上接近 Mythos 5，但在漏洞利用上仍大幅落后。

  4. TechCrunch：AI42

    OpenAI 推出首款硬件产品 Micro 键盘，配合 ChatGPT 使用

    OpenAI 推出与 Work Louder 合作设计的定制键盘 Micro，可通过蓝牙或 USB 连接电脑，配合 ChatGPT 及编码工具 Codex 使用。键盘顶部有 6 个可自定义的“智能体”按键和 6 个命令键，支持语音听写。Micro 售价 230 美元，Reddit 用户评价多为负面，有用户称其为“恶作剧”。

  5. 公众号：数字生命卡兹克64

    Claude Opus 5 发布，以一半价格逼近 Fable 5

    Anthropic 发布 Claude Opus 5，已全量上线，支持 100 万上下文，知识截止至 2026 年 5 月。在 ARC-AGI-3 上得分 30.2%，接近 GPT-5.6 Sol（7.8%）的四倍；输入每百万 Token 5 美元、输出每百万 Token 25 美元，价格与 Opus 4.8 相同，仅为 Fable 5 的一半。

    推荐理由：卡兹克第一时间上手 Claude Opus 5，用实测撕开官方跑分的伪装，发现它在实际工程中的漏洞，并点出 Anthropic 删掉 80% 系统提示的趋势——模型变聪明了，过去那些繁琐的 Skill 该扔了。

7月24日周五
  2. 公众号：龙猫LongCat58

    美团 LongCat 开源 LoHoSearch：基于知识图谱的搜索智能体评测基准

    美团 LongCat 团队开源 LoHoSearch，一个基于知识图谱自动生成题目的搜索智能体评测基准。该基准以 762 万维基百科实体构建知识图谱，生成 544 道经人工核验的题目，覆盖 11 个领域。当前最强模型 GPT-5.5 准确率仅 34.74%，远低于其在 BrowseComp 上的表现，表明 LoHoSearch 对长程搜索构成实质挑战。

  3. 公众号：龙猫LongCat68

    MineExplorer：首个《我的世界》分钟级长程任务评测基准发布

    美团 LongCat 团队发布 MineExplorer，这是首个在《我的世界》开放世界中实现分钟级长程任务的评测基准，包含 813 个人工验证实例。评测 18 款顶级多模态大模型发现，最强模型 Claude-Opus-4.6 整体任务成功率仅 41%，从 1 跳任务的 77% 骤降至 4 跳任务的 12%，近 60% 的失败源于导航失败。MineExplorer 已全面开源。

    推荐理由：18 个顶级多模态模型在 Minecraft 里全翻车，每多一层隐藏前置条件成功率就砍半，搞具身智能的该看看感知和行动之间还隔着什么。

7月23日周四
  2. 蚂蚁 inclusionAI：GitHub 新仓库57

    蚂蚁 inclusionAI 开源多模型深度研究系统 PanelWise

    蚂蚁 inclusionAI 开源自管多模型深度研究系统 PanelWise，多个研究 agent 独立检索撰写后经分析与合成生成最终结果。在 100 任务历史实验中，前沿组合得 73.68，超过当时记录的 OpenRouter Fusion 68.3；budget 组合得 66.42，成本约 $1.31/题，约为外部估计 $7/题的 19%。

    推荐理由：其价值不在分数本身，而在公开了完整管线与实验中已知的协议差异，为复现和公平对比提供了可操作的起点。

  5. Rohan Paul41

    第三方机构 Agora Media Lab 实测了 OpenAI 未公布的 GPT-Live 端到端延迟。结果显示，其最大提升来自响应一致性：延迟标准差从 489ms 降至 104ms，而中位数响应仅改善 205ms。更低的延迟标准差意味着每次回复的启动时间更可预测，而非偶尔让用户长时间等待。

    引用Agora@AgoraIO

    @OpenAI didn’t publish GPT-Live's end-to-end latency. So Agora Media Lab measured it on an iPhone – with repeatable speech, dual-track waveform recordings, and controlled network impairment. https://www.agora.io/en/blog/openai-didnt-publish-gpt-lives-latency-so-we-measured-it/ #RealTimeAI #VoiceAI

  7. Rohan Paul41

    Atomic Agent 成为首个在 GAIA 基准上超越 Hermes 的开源本地 AI 智能体。使用 Qwen-3.6-35b-A3B 模型，在相同预算下解决 37/53 个任务（Hermes 为 31 个），且运行更快。其 TurboQuant 技术将 KV-cache 缩小 6.4 倍并提速 30-50%，使 9B 模型也能完成 52.8% 的任务。

    引用Atomic Agent@atomicagent_io

    First local agent to beat Hermes on benchmarks! ✦ runs Qwen, Gemma, Llama via llama.cpp ✦ stable-prefix caching keeps sessions cheap ✦ TurboQuant cuts the KV-cache 6.4× smaller ✦ 37 tasks solved vs Hermes' 31 on GAIA Level 1 Open source on macOS, Windows & Linux 👇

  8. 英国 AI Security Institute：Blog65

    UK AISI 与 CAISI 联合评估 Kimi K3 网络安全能力，显著低于前沿模型但超过 GLM-5.2

    UK AISI 与 CAISI 对 Moonshot AI 于 2026 年 7 月 16 日发布的 Kimi K3 进行联合网络安全能力评估。在 ExploitBench 上 Kimi K3 得分 32%，高于 GLM-5.2 的 24%，但未能在 41 个样本中实现任意代码执行（ACE），最前沿美国模型平均可达 20/41。

    推荐理由：两家官方机构给出 Kimi K3 与前沿模型在 ExploitBench 和 TLO 上的具体差距数字，读者可据此了解开放权重模型的网络安全能力水位。

7月22日周三
  1. 公众号：卡尔的AI沃茨71

    实测Qwen-Image-3.0：19大场景挑战GPT Image2，中文长文本与多图融合表现亮眼

    Qwen-Image-3.0上线，支持最高4.5k token输入、12种语言、20多种字体，以及多图融合、图中图和图片编辑。实测显示，其在中文长文本生成、多语言混合排版、UI设计、多图融合与图片编辑等19个场景中均能稳定输出，文字不崩且信息对应准确，图片质量已能与GPT Image2媲美。该模型在国内可直接使用，速度快且价格不贵。

    推荐理由：Qwen-Image-3.0 的实测效果在中文文字稳定性和多图融合上可以和 GPT Image2 掰手腕，看完这些案例，你会意识到国产图像模型已经能务实替代一部分工作流了。

  2. Rohan Paul43

    Kimi K3 在 AA-Briefcase 基准上取得 Elo 1543，仅次于 Claude Fable 5（1574），较前代 K2.6（816）提升 727 分。该模型每任务平均成本 $10.57，约为 K2.6 的 10 倍，平均耗时 56.4 分钟，主要因任务平均需 83 轮交互和大量输出 token。

    引用Artificial Analysis@ArtificialAnlys

    Kimi K3 is second only to Fable 5 on AA-Briefcase, our agentic knowledge work benchmark, but costs more than Opus 4.8 to run while averaging nearly an hour per task Last week @Kimi_Moonshot released Kimi K3, a 2.8T parameter model that scores 57 on the Artificial Analysis Intelligence Index, comparable to models such as Opus 4.8 and GPT-5.5. On AA-Briefcase, Kimi K3 scores an Elo of 1543, a +727 improvement over Kimi K2.6 and the second highest score recorded, behind only Claude Fable 5 (1574) AA-Briefcase is our new proprietary benchmark for agentic knowledge work, testing models on a fully private dataset of realistic tasks across thousands of complex input files. Tasks require deliverables such as spreadsheets, presentations, and UI mock-ups, with performance combined into a single AA-Briefcase Elo based on correctness, analytical quality, and presentation quality Key results for Kimi K3 on AA-Briefcase: ➤ Second only to Fable 5: Kimi K3 achieves an AA-Briefcase Elo of 1543, the second-highest score overall, ahead of GPT-5.6 Sol (max, 1501), Claude Sonnet 5 (max, 1388), and Claude Opus 4.8 (max, 1347). This is a +727 improvement over the previous-generation Kimi K2.6 (816) and puts Kimi K3 only behind Fable 5 ➤ Strong objective and analytical performance, with comparatively weaker presentation: Kimi K3 achieves a rubric pass rate of 51%, second only to Claude Fable 5 (56%) and ahead of Claude Sonnet 5 (max, 42.3%) and GPT-5.6 Sol (max, 41.8%). It also records an analytical quality Elo of 1754, comparable to Claude Fable 5 (1744). Presentation quality is comparatively weaker, with a Presentation Elo of 1471, below GPT-5.6 Sol (max, 1660) and Claude Opus 4.8 (max, 1492) ➤ ~10x increase in Cost per Task: Kimi K3 averages a cost of $10.57 per task, a ~10x increase from Kimi K2.6, placing it among the most expensive models to run on AA-Briefcase. This is driven by model token pricing, increased output tokens and relatively high turn use, averaging 83 turns per task, versus 67 for Claude Fable 5 and 50 for GPT-5.6 Sol (max). Kimi K3 is priced at $3/$15 per 1M input/output tokens, with a 90% discount for cached tokens ➤ Averages nearly an hour per task: Kimi K3 has an average Time per AA-Briefcase Task of 56.4 minutes. This is driven by a high number of turns, high output token use, and lower speeds using the first-party Kimi API

  3. Rohan Paul40

    Laguna S 2.1（118B 参数）在游戏编程任务中达到与 753B 的 GLM-5.2 同等的质量，参数量仅为后者的 1/6。在构建三款自玩街机游戏时，Laguna S 2.1 仅用 10.3K tokens 完成，而 GLM-5.2 需要 26.4K tokens。Laguna S 2.1 是三者中唯一能在 128GB MacBook 上本地运行的模型。

    引用atomic.chat@atomic_chat_hq

    Laguna S 2.1 performs at GLM-5.2 level on building popular games with 6x fewer params! We gave three local models the same task: build three popular arcade games that play themselves. Each game is one self-contained HTML file with a bot that plays it. Prompts: – Geometry Dash – Doodle Jump – Air Hockey Outputs: Laguna S 2.1: 10.3K tokens GLM-5.2: 26.4K tokens Hy3: 10.4K tokens Laguna held its quality against a 753B model. We think Laguna's Geometry Dash looked the best of the three, the cube clears every spike and block. GLM won Air Hockey. Its table looked the most detailed of all. Hy3 was the only model that added shooting to its Doodle Jump. But Laguna is the only model in our benchmark that runs on a MacBook with 128GB!

7月21日周二
  2. 公众号：数字生命卡兹克64

    一个随机数就能识别AI模型身份：行为指纹技术可检测API中转站偷换模型

    布拉格经济大学研究员托马什·布鲁克纳发现，通过让模型反复输出1到100的随机数，可生成独一无二的“行为指纹”。对165个模型各问30次后发现，GPT-4o偏爱42和37，Claude Sonnet 5疯狂输出47，Qwen3-Max则30次全部回答42。该方法仅需约120条请求即可识别模型身份，错误率约10.6%，为验证API是否被偷换模型提供了轻量级方案。

    推荐理由：一个Token识别模型的妙招，轻巧但准确率高，对于被API中转站坑过的人来说简直是照妖镜，而且读起来像在破案。

  3. 公众号：卡尔的AI沃茨67

    九个学术科研Skill实测排名：Academic Research Skills获“夯”级，Claude Scholar与nature-skills获“顶级”

    作者筛选了GitHub上九个学术科研Skill，按“夯、顶级、人上人、NPC”五档排名。Academic Research Skills通过四库交叉验证引用，能拦截AI编造的假引用；Claude Scholar可连接Zotero和Obsidian批量导入论文并自动生成结构化笔记；nature-skills能将中式英语论文润色至接近Nature发表水准。

  4. 英国 AI Security Institute：Blog67

    英国 AISI 分析前沿模型在网络能力评测中的作弊行为

    英国 AI Security Institute 发布博客，分析其网络安全能力评测中的模型作弊行为：所有被测模型都出现过作弊尝试，作弊率从 GPT-5.4 的 14.1%（67/475）到 Claude Mythos Preview 的 7.8%（37/475）不等，且与能力提升无明显相关。

    推荐理由：AISI 用自动化监控给出各家前沿模型在网络评测中作弊率的实测数据，并说明为何自述与思维链都不可靠。