跳到正文
#评测/基准
10月27日周二
  8. Arena.ai75

    Arena 宣布 OpenAI 的 GPT-6.1 Terra 已进入 Agent Arena，用户可前往测试，分数即将公布。该平台基于全球用户提供的数百万真实长程智能体任务评测模型，模型可调用网页搜索、文件系统和终端工具完成复杂工作流，排行榜用因果追踪方法衡量模型相对平均模型的结果表现。

    引用OpenAI@OpenAI

    GPT-6.1 Terra：以更低的价格提供快速且强大的计算机使用能力。 GPT-6.1 Terra 能理解屏幕上的内容，跨应用执行操作，写作自然流畅，是一个能胜任你整个工作日的更强大模型，并具备承担更多工作的效率。

  9. Artificial Analysis 完整文章76

    Artificial Analysis 评测 GPT-6.1 Terra：以不到三分之一成本推进性价比前沿

    Artificial Analysis 评测 OpenAI 发布的 GPT-6.1 Terra，称其在低中 effort 下达到智能与成本的 Pareto 前沿，价格为 GPT-5.6 Terra 的一半或更低（$1/$5 每百万输入/输出 token）。

    推荐理由：评测方给出 GPT-6.1 Terra 在智能指数、幻觉率和编码代理基准上的具体得分与成本对比，读者可据此评估其性价比位置。

  12. Epoch AI：Gradient Updates61

    Epoch AI 用内部工作任务评测前沿模型：Claude Fable 5.1 与 GPT-6 Astra 平均只得 65%

    Epoch AI 发布 Epoch Automation Reports，把机构内部的图表设计、研究规划等真实任务按人类员工评估标准测试 AI，领先的 Claude Fable 5.1 和 GPT-6 Astra 平均得分 65%，未达到 100% 的可自动化门槛。

    推荐理由：Epoch 用自家真实工作任务按员工标准评估 AI，解释了 65% 的基准分数为何还不足以转化为自动化和经济影响。

10月26日周一
10月25日周日
10月24日周六
  1. Arena.ai65

    月之暗面 Kimi K3.1 Pro (Max) 进入 Agent Arena 排名第 11，基于超 4000 个真实智能体会话实现 +7.6% 净提升，较 Kimi K3 (Max) 的 #25（+1.6%）上升 14 位。

    引用Arena.ai@arena

    Big news: @Kimi_Moonshot is back in the top-4 labs in the Code Arena: WebDev with the release of Kimi K3.1 Pro! This model just landed #8 in the Code Arena: WebDev with 1692 pts, matching Claude Opus-5 (Max) at 70% lower cost. This is a 9 place jump (+37 points) from Kimi K3 (Max) at #17 with 1655 pts. Kimi K3.1 Pro improved from Kimi K3 across all categories. Highlights: - #7 in Brand & Marketing (up from #9) - #9 in Simulations (up from #20) Cost efficiency is another upgrade. Priced at $2/$10 per million input/output tokens, Kimi K3.1 Pro (Max) has a median cost per task of $1.23 (29% less than Kimi K3). See its placement compared to the Pareto frontier in thread. With open weights coming soon, Kimi K3.1 Pro would be the new #1 open model in the Code Arena: WebDev, overtaking DeepSeek-v4.1-Flash. Stay tuned! See @Kimi_Moonshot’s ranking by lab, and 3D generations from Kimi K3.1 Pro below in thread. Huge congrats to the @Kimi_Moonshot team on this release!

  8. Arena.ai73

    Arena 宣布 Kimi K3.1 Pro 在 Code Arena: WebDev 以 1692 分排名第 8，较 Kimi K3 (Max) 的第 17 名（1655 分）上升 9 位，与 Claude Opus-5 (Max) 持平但成本低 70%。

    引用Kimi.ai@Kimi_Moonshot

    隆重推出 Kimi K3.1 Pro：我们能力最强的 3T 级开放权重模型。 🔹 1M token 上下文，2.8T 总参数 / 104B 激活参数（MoE），多模态。 🔹 全项目级编程：可在 Unreal、Unity 和 Godot 中开发游戏。 🔹 擅长在 Blender 和 CAD 中进行参数化 3D 建模。 🔹 在金融工作上更可靠：建模准确，幻觉降低 65%。 🔹 在编程、智能体和知识基准测试中，与最强的闭源模型不相上下。 Kimi K3.1 Pro 和 K3.1 Pro Highspeed（快 2–3 倍）现已在 http://Kimi.ai、Kimi Work、Kimi Code 和 Kimi API 上线。 开放权重将于 2026 年 11 月 4 日发布。 🔗 API：http://platform.kimi.ai 🔗 技术博客：http://kimi.ai/blog/kimi-k3-1-pro

10月23日周五
  1. 公众号：小红书技术49

    小红书推荐系统评测 Agent：上下文驱动的 LLM-as-Judge 实践

    小红书构建了上下文驱动的推荐评测 Agent，以一次推荐请求为最小评测单元，通过确定性规则与 LLM-as-Judge 分工，对用户当时看到的内容做分维度语义判断。系统采用 0/1/2 三档评分，并固定输入快照与评测版本，使结果可比较、可回放、可下钻到具体请求与单篇内容。团队还探索 LLM-as-User 连续用户模拟，目前定位为上线前的离线预筛工具，不替代线上 A/B 实验。

  3. Arena.ai62

    Arena 宣布月之暗面的 Kimi-K3 以 1679 分登顶 Frontend Code Arena，超过 Claude Fable 5（1631 分），较 Kimi-K2.6 从第 18 名跃升 17 位至第一。Kimi-K3 在 7 个分域中的 6 个排名第一，仅 Gaming 落后 Fable 5 居第二；完整模型权重将于 7 月 27 日发布。

    引用Arena.ai@arena

    Big news: Kimi-K3 by @Kimi_Moonshot is now #1 in the Frontend Code Arena with 1679 pts, surpassing Claude Fable 5. This is a 17-place jump from Kimi-k2.6 (#18 -> #1). In Frontend, Kimi-K3 ranked #1 in 6 of 7 domains: Brand & Marketing, Reference-Based Design, Data & Analytics, Consumer Product, Simulations, and Content Creation Tools, landing #2 only in Gaming behind Fable 5. The full model weights will be released by July 27. Congrats to the @Kimi_Moonshot team on this major milestone!

  6. Artificial Analysis40

    在 AA-PersonalityBench 中，智能较低的模型通常会产生更多 Slop，但前沿模型之间的 Slop 差异仍然很大 ➤ 智能水平相同但 Slop 排名相反：GPT-6 Sol 和 Muse Spark 1.3 在 Intelligence Index 上均得分 48，但在 Slop 上分别排名第 1 和第 80 ➤ 智能高但 Slop 也高：Muse Spark 1.3（Slop 80）、Qwen3.8 Max（75）和 Gemini 4 Argon（70） ➤ 相对其智能水平 Slop 较低：GPT-6 Luna（4）和 Claude Haiku 5.5（9）

10月22日周四