跳到正文
#推理
9月22日周二
  7. StepFun63

    阶跃星辰发布新旗舰模型 Step 5 Preview，在 Artificial Analysis Intelligence Index 得分 44，单任务成本 $0.71，与 Kimi K3 (max) 同分但成本约低 2.8 倍。

    引用Artificial Analysis@ArtificialAnlys

    StepFun's Step 5 Preview scores 44 on the Artificial Analysis Intelligence Index, matching Kimi K3 (max) at ~2.8x lower cost per task, but trails peers on agentic evaluations Step 5 Preview is @StepFun_ai's new flagship model, with 600B total and 27B active parameters, succeeding Step 3.7 Flash (released May 2026). It scores 44 on the Intelligence Index, level with Kimi K3 (max) and just behind GLM-5.3 (max, 45) and Qwen3.8 Max (45) Key takeaways: ➤ Step 5 Preview costs ~2.8x less per Intelligence Index task than models at the same score. It costs ~$0.72 per task, against ~$2.00 for Kimi K3 (max) at the same score of 44 and ~$2.01 for GLM-5.3 (max) at 45. This is driven by pricing: at $1/$2.70 per 1M input/output tokens, it is priced below both on input and output. MiMo-V2.6-Pro is the one model that scores higher (46) at a lower cost per task ($0.13) ➤ Frontier reasoning is the standout strength, and where the jump from Step 3.7 Flash is largest. Step 5 Preview scores 46% on Humanity's Last Exam, in line with Kimi K3 (max, 47%), and 21% on CritPt, between Kimi K3 (23%) and GLM-5.3 (max, 19%). Both are up sharply from Step 3.7 Flash: +25 points on HLE and +19 points on CritPt ➤ Higher AA-Omniscience accuracy than GLM-5.3 at fewer parameters, but with more hallucination. At 600B total parameters, Step 5 Preview reaches 42% accuracy on AA-Omniscience, our benchmark measuring factual recall and hallucination, ahead of GLM-5.3 (max, 34%, 753B) and behind Kimi K3 (max, 48%, 2.8T). It attempts more questions than GLM-5.3 (68% vs 55%) and hallucinates more often when it does (43% vs 30%), landing at 16 on the AA-Omniscience Index, between GLM-5.3 (14) and Kimi K3 (20) ➤ Agentic evaluations are where Step 5 Preview lags peers at a similar Intelligence Index score. It scores 1,566 Elo on GDPval-AA, our primary evaluation for agentic performance, behind Qwen3.8 Max (1,668) and GLM-5.3 (max, 1,646). The gap holds on Terminal-Bench 4.0 (33% vs 39% and 42%), AA-Briefcase (1,432 Elo vs 1,640 and 1,525) and AutomationBench-AA (51% vs 56% and 62%) Key model details: ➤ Model Size: 600B total parameters, 27B active MoE model ➤ Context window: 1M tokens ➤ Multimodality: Text, image and video input, text output ➤ Pricing: $1/$2.70 per 1M input/output tokens, with cached input at $0.05/M ➤ Availability: StepFun first-party API, with open weights release planned for October 15th ➤ Licensing: Closed weights currently, with weights release planned for October 15th

  8. Artificial Analysis65

    Artificial Analysis 评测阶跃星辰 Step 5 Preview，其在 Artificial Analysis Intelligence Index 得 44 分，与 Kimi K3 (max) 持平，略低于 GLM-5.3 (max) 和 Qwen3.8 Max 的 45 分，每任务成本约 $0.72，约为同级模型（约 $2.00）的 1/2.8。

    推荐理由：Artificial Analysis 实测 Step 5 Preview 的得分、成本与智能体短板，读者可据此对比同分段模型的表现与性价比。

  10. IT之家·人工智能71

    SpaceXAI 发布 Grok 4.7，主打编码与知识处理，百万词元输入 2 美元起

    SpaceXAI 于 9 月 22 日宣布推出新一代模型 Grok 4.7，定位编码和知识工作场景，官方称其为公司目前最强的编码和知识处理模型。该模型采用更大基座并经更长时间强化学习训练，强化自我验证与长上下文管理，在 CursorBench 4.0、GDPval、AA Briefcase 等基准较 Grok 4.6 有提升。

  15. TechCrunch：AI67

    OpenAI 成立数学与人工智能咨询组，称内部模型已解决超 100 个开放问题

    OpenAI 宣布在普林斯顿高等研究院设立独立的数学与人工智能咨询组，让数学家对公司数学方向研究提供意见，并同时声称其内部模型已解决 100 多个数学开放问题。咨询组可评估新成果意义并协调发布、可公开发表观点，但无权放慢或改变 OpenAI 内部研究进度；九名初始成员中仅 Camillo de Lellis 一人此前签署了 25 位菲尔兹奖得主关于 AI 实验室竞速威胁数学家智力工作的公开信。

  17. 小米 MiMo：官网发布与博客71

    小米开源 MiMo-V2-Flash：309B 总参数 MoE 模型，主打推理、编码与智能体

    小米于 12 月 16 日发布并开源 MiMo-V2-Flash，一款 309B 总参数、15B 激活参数的 MoE 基础语言模型，权重以 MIT 许可上传 Hugging Face。

    推荐理由：官方完整披露了架构、MTP 推理加速与 MOPD 训练范式细节和基准成绩，可据此评估其性价比与部署可行性。

  20. Hacker News：AI 热帖76

    xAI 发布 Grok 4.7，主打编码与长时任务

    xAI 发布 Grok 4.7，称其为目前编码与知识工作能力最强的模型，价格与速度与 Grok 4.6 持平，输入 $2、输出 $6 每百万 token。新模型采用更大的 base model 并加长强化学习训练，CursorBench 4.0 得分 46.3%，HackerBench v0.3 仅放行 3.3% 危险双用途提示。

  21. lauren55

    Grok 4.7 发布，官方称其在与 Grok 4.6 相同的价格和速度下有显著提升。 Lauren Tan 转发并致以'4.7 day'祝贺，所附对比图显示 Grok 4.7 xHigh 输入 $2/百万 token、输出 $6/百万 token，与 4.6 持平；在 EEBench 64.0%、Harvey Legal Agent 19.6%、CursorBench 4.0 46.3% 等基准上较 4.6 提升明显，DeepSWE v1.1 为 71.0%（High Effort）。

    引用SpaceXAI@SpaceXAI

    Grok 4.7 is here. It's a notable improvement over Grok 4.6 at the same price and speed.

9月21日周一
  2. IT之家·人工智能61

    Vals AI 用《我的世界》141 小时测试 GPT-6 Astra，发现 AI 受挫后陷入行为僵局

    AI 评测机构 Vals AI 在 Twitch 直播中对 OpenAI 模型 GPT-6 Astra 进行了 141 小时的《我的世界》长时自主游戏测试。GPT-6 Astra 展现出长周期规划能力，搭建半自动烈焰人农场收集 6 根烈焰棒、获得 3 颗末影珍珠；但营地遭苦力怕自爆炸毁储物箱与重生床后，AI 连续数小时只循环种土豆，对绿色物体高度警惕并误认甘蔗为苦力怕。

9月20日周日
  3. 公众号：阶跃星辰66

    阶跃星辰发布旗舰模型 Step 5 Preview，10 月 15 日开源权重

    阶跃星辰发布旗舰基座模型 Step 5 Preview，采用稀疏 MoE 架构，总参数量 600B、激活 27B，支持 100 万 Token 上下文和文本与视觉输入，在 Artificial Analysis Intelligence Index 得 44 分，居全球开源模型前三，单任务成本为 Claude Opus 5 的 1/8。

    推荐理由：官方完整公布架构参数、基准成绩和权重开放时间，读者可据此评估其在开源主力模型中的成本能力位置。

  4. Rohan Paul72

    Google 发布 ScientistTwo 论文，展示 AI 研究中的递归自我改进：模型先改进人类方法，再以自身发现为新基线继续改进。它以提出想法、实验验证、剔除无效方案并根据评审反馈开启新一轮的循环方式，自主改进了 107 个人类定义 ML 问题中的 86 个；在基于 ICLR、ICML 和 NeurIPS 论文的问题上，报告了 80.4% 的成功率和相对原始人类基线平均 25.2% 的改进。

9月19日周六
9月18日周五
  4. 公众号：数字生命卡兹克67

    TypeSafe AI 发布只做高频决策的大模型 Jev，作者实测其分类判断性价比

    TypeSafe AI 推出专注高频决策的大模型 Jev，不做对话和文字生成，只输出判断，速度比传统大模型快20～200倍，成本0.042美元/百万Token且输出Token免费。作者实测预筛任务中Jev准确性第二且更便宜，在并行判断任务上达到最高准确率和最快速度；模型采用RLCD训练方法优化决策校准，可在官网 https://typesafe.ai/ 申请资格，Vercel 已首发接入。

    推荐理由：作者用自己的预筛和并行判断任务实测了Jev与多个模型的准确率、速度和成本，读者可以据此判断这类只做决策的模型适合什么场景。

  7. OpenAI：官网动态55

    OpenAI 发布 Astra for Law 法律行业基础方案

    OpenAI 发布 Astra for Law，将 GPT-6 Astra 配合法律搜索索引和 Legal 分析写作指令，面向律所和法律科技公司。在 Vals AI Legal Research Bench 私有验证集 200 道美国法律研究题上，最高推理强度下整体正确率 54.0%，比仅用网页搜索的 GPT-6 Astra 的 38.7% 相对提升 40%。

  8. Anthropic：Research74

    Anthropic：Claude 四周优化 30 多个开源生物分子模型，平均提速约 4 倍并开源代码

    Anthropic 让 Claude 在不到四周内优化了超过 30 个开源生物分子模型，平均提速约 4 倍、精度损失极小，输出完全一致时也有近 2 倍加速。优化代码全部开源，还推出低内存 Big 模式，可在单张 NVIDIA GPU 节点上对超过 10,000 token 的生物分子系统做准确预测。

    推荐理由：Anthropic 公布了完整提速数据、开源代码和比赛入口，读者可以据此评估 AI 优化科学计算代码的实际水平。