pplx-decider-v1.1-27b 在 Decision Bench 上以最高准确率和最低成本登顶。 在 1071 个案例中达到 94.5% 准确率，每 1,000 次决策成本 $0.017。 完整评测：decisionbench.ai/ 开始使用：pplx.ai/decisions

Artificial Analysis 用同一张照片对 GPT Image 2.5 Sunburst、Ideogram 4.5、FLUX 3 和 Nano Banana 2.1 做了30步连续编辑测试（每步基于上一步输出，如点火、加沙发、刷墙、昼夜切换），Ideogram 4.5 保持房间大部分不变，GPT Image 2.5 Sunburst 漂移最明显。

Arena 官方账号公布，Claude Haiku 5.5 在 Code Arena 得分为 1587 分，相比 Haiku 4.5 的 1330 分提升 257 分，且在所有类别上均有明显改善。官方引导读者前往 arena.ai/leaderboard/code 查看 Code Arena: WebDev 排行榜。

完整评测结果请见 artificialanalysis.ai/evalua…

Artificial Analysis 宣布 Cyber Index 新增 trusted-access 模型类别，首个加入的是仅通过 OpenAI Daybreak 计划访问的 GPT-6 Sol (Daybreak Blue, max)。

Grok 4.7 在法律事务中排名第一

Google 于 10 月 6 日发布图像模型 Nano Banana 2.1，基于 Gemini 3.6 Flash，在 AA-Image-T2I v2.0 和 AA-Image-Editing v2.0 上均排名第 4，价格为 Nano Banana 2 的一半。

GPT-6 Luna 是目前最快的 Decisions 模型，全球请求延迟 180ms 🏁 其次是 Jev 和 Perplexity Decider：

在 StepFun 的 8 项基准评测中，Step 5 Preview 在 6 项上击败了 Kimi K3 和 GLM-5.3，包括 DeepSWE（67.7）、ProgramBench（80.5）、StepCodeBench（49.0）和 FrontierFinance（66.4）。

在 Q2D-Web 上，约 70,000 条生产环境搜索查询、覆盖 190M 网页文档，9B 和 0.6B 模型分别达到 74.8% 和 73.6% 的 Recall@1000，而 nemotron-embed-8b 为 69.3%。

Evolvent_AI 新发布的开源 RSIGym 让 AI Agent 在同一预算环境中重训模型并重写 harness，使 Claude Opus 5 作为自动化 AI 研究员把一个 Qwen 模型的 SWE-bench Verified 分数提升近三倍。

Anthropic 发布 Claude Haiku 5.5，在 Artificial Analysis Intelligence Index 上得分 43，比一年前的 Haiku 提升 26 分，是首个支持 effort 设置与 adaptive thinking 的 Haiku 模型。

Vidu Q4 Preview 以与 Vidu Q3 Pro 相同的价格提供更好的质量

Arena 发布了 Mistral Large 4（代号 Le Chonk）的首批实测印象，来自 @petergostev。该模型由 MistralAI 推出，参数量 1T（49B 激活），开放权重将于本月底发布。

Mistral Large 4 在 Code Arena: WebDev 上线，以 1534 分排名第45，较 Mistral Large 3 的第130名提升 304 分，也比次优的 Mistral Medium 3.5（第122名）高出 271 分。

突发：Grok 4.7 在 VulcanBench Frontier v4 上登顶，这是一个高难度编码任务基准。🥇 前三名全部属于 Grok 4.7。其获胜成绩为 93.15，通过了全部 23 个任务。

Mistral Large 4

Mistral Large 4 作为新模型出现在 Simon Willison 的测试中，被用 `llm -m mistral/mistral-large-4` 与 claude-opus-5.5。

- 排行榜：arcprize.org/leaderboard - 复现公开结果：github.com/arcprize/arc-agi-… - 测试政策：arcprize.org/policy - DeepSeek V4.1 Flash 完整结果：arcprize.org/results/deepsee…

ARC Prize 公布 DeepSeek V4.1 Flash 在 ARC-AGI（Verified）上的成绩：ARC-AGI-2 为 72.9%，单任务成本 $0.13；ARC-AGI-1 为 94.5%，单任务成本 $0.07。相比 V4 Flash 的最佳成绩，ARC-AGI-1 提升 5.5 个百分点，ARC-AGI-2 提升 11.5 个百分点，但单任务成本高出约 250%。

- 排行榜：arcprize.org/leaderboard - 复现公开结果：github.com/arcprize/arc-agi-… - 测试政策：arcprize.org/policy - Grok 4.7 完整结果：arcprize.org/results/xai-gro…

ARC Prize 指出 Grok 4.7 的 reasoning token 用量与其 ARC-AGI-2 公开得分相关：low 档每次 test-pair 尝试平均约 10k tokens、得分 25%，medium 至 xhigh 档则为 86k 至 120k tokens、得分 57.5% 至 60%。作者认为 low 档较低的 token 用量或可解释其较低的得分。

ARC Prize 公布 Grok 4.7 在 ARC-AGI (Verified) 上的成绩：ARC-AGI-3 在 standard harness 下为 1.8%、$2.7k，在 provider adapter harness 下为 10.0%、$4.8k；ARC-AGI-2 为 61.4%、$2.01/task；ARC-AGI-1 为 90.2%、$0.64/task。与 Grok 4.6 相比，Grok 4.7 在 ARC-AGI-1 上得分更高，但在 ARC-AGI-2 和 3 上更低。

Perplexity 在 Hugging Face Decision Index（决策模型基准）中获胜。我们的模型是开放权重的，所有人都能访问！

据 VentureBeat 报道，Mistral Large 4 在 DeepSWE 上得分 62%，超过 GLM-5.3；同时在 Finch 金融任务基准上得分 67%，被称为 SOTA open-weight。此外 Le Chonk 在 Harvey 的 Legal Agent Benchmark 法律任务上得分 15%，同样为 SOTA open-weight。作者表示现在需要一份技术报告，并致谢 @AiBattle_。

Mistral Large 4 在 Artificial Analysis 开放权重指数上跃升至第 6 位。其在 CyberGym-E2E (AA) 基准上取得 82 分，在其他 Cyber 基准上也有相近表现。作者认为这是一次不错的发布，并提出 Mistral 能多快推出新模型升级以保持竞争力是最大疑问。

Mistral Large 4 Preview 完整基准测试结果

Mistral 发布 Mistral Large 4（Research Public Preview），在 Artificial Analysis Intelligence Index 上得 38 分。

以下是 Artificial Analysis Intelligence Index v4.3 中 Ling 3.1 Flash 各单项评测的拆解。 在 Artificial Analysis 网站上将 Ling 3.1 Flash 与其他模型进行对比：artificialanalysis.ai/models…

Ling 3.1 Flash 在 AA-Omniscience 上得分 +2，准确率为 29%，幻觉率为 38%。

Reflection 已向 Artificial Analysis 开放访问权限，我们正在独立对 Beam 进行基准测试。 早期指标表明，Beam 将是我们所见过的、在其智能水平下最节省 token 的开源模型之一。 恭喜 @reflection_ai 发布！

Qwen3.8 27B 本地模型英文单词加法评测：关闭推理准确率 23.57%，开启后 169 次答对 167 次

Simon Willison 在本地 DGX Spark 上用 Qwen3.8-27B-Q4_K_M.gguf 复现了 Colin Frasier 两年前用 GPT-4o 做的加法实验，让模型把正整数相加并仅用英文单词给出精确结果。

Grok 4.7 在 AA Cyber Index 上排名第一

基准测试：我们使用了 WMT26 基准，它是在我们创建模型之后发布的，确保我们无法针对其测量结果来训练 North Small Translate。(5/6)

Artificial Analysis 评测显示，Qwen-Image-2.1 最强的图像编辑用例为生产力与知识工作、零售与电商、动画与游戏，其中生产力与知识工作最接近领先者。

Artificial Analysis 发布 Coding Agent Index 榜单，本周发布的 Claude Sonnet 5.5、GPT-6.1 Sol 和 Gemini 4 Argon 均位居前列，但性能与成本的平衡各不相同。

你可能注意到我们 Embed 5 的基准测试看起来有点不同 👀 Embed 5 是首个使用 RCP-nDCG@10 评估的模型族，这是我们最新的方法论，改进了对真实世界检索质量的评估。

Claude Sonnet 5.5 with xHigh reasoning 上线 Code Arena: WebDev，以 1786 pts 排名第 3，距第 2 名 GPT-6 Astra 的 1788 pts 仅差 2 分，价格为其 80%，混合价格为 $8/M tokens。

Claude Sonnet 5.5 (Max) 在 Agent Arena 首发升至第 3 名，净提升 +12.5%，较 Claude Sonnet 5 (High)（第 13 名，+4.4%）高出 8.1 个百分点。

Claude Sonnet 5.5 在 Agent Arena 中排名第 3，每任务中位成本为 $2.74，净提升分为 +12.5%。原文指出其性能属顶级但存在成本溢价，排名第 2 的 Claude Opus 5.5 每任务成本仅 $1.58 且得分更高，这一取舍使 Sonnet 5.5 未进入 Agent Arena 的 Pareto 前沿。

Ideogram 4.5 在 Animation & Gaming（动画与游戏）、Marketing & Advertising（营销与广告）和 Consumer（消费）三类用例上最接近领先者，其中 Animation & Gaming 表现最佳。