AI 周报 · 2026 年第 40 周 · 09.28 — 10.04
Claude Opus 5 会计全对，Sonnet 5.5 霸榜
本期覆盖 2026-09-28 至 2026-10-04。Anthropic 成为本期焦点：Claude Opus 5 在会计任务研究中 20 题全对，远超 12 名注册会计师；Claude Sonnet 5.5 (Max) 在 Agent Arena 首发升至第 3，Anthropic 包揽前三；Sonnet 5.5 亦与 GPT-6.1 Sol、Gemini 4 Argon 在 Artificial Analysis 编码智能体指数登顶，但成本差异显著。评测方法也在演进，微软与 Hugging Face 发布 ThinkingBox，按数据库终态而非生成文本给智能体打分。图像生成方面，Black Forest Labs 的 FLUX 3 Image 在 fal 上线，主打精准编辑与 2K/4K 生成。
Anthropic 模型全面领跑
本版导读Anthropic 本期多线开花：Claude Opus 5 在中等长度、定义明确的会计任务研究中 20 题全对、正确率 100%，每题几分钟内完成，优于研究中表现最好的会计师，而 12 名注册会计师正确率从 0% 到约 90% 不等；Claude Sonnet 5.5 (Max) 在 Agent Arena 首发排名第三、净提升 +12.5%，较 Claude Sonnet 5 (High)（第 13 名，+4.4%）高出 8.1 个百分点，Anthropic 包揽前三；Sonnet 5.5 亦在编码智能体指数登顶。
研究显示 Claude Opus 5 在会计任务上 20 题全对，12 名注册会计师正确率 0% 至约 90%
一项针对中等长度、定义明确的会计任务的研究发现，前沿 AI 模型比初级会计师更快更准确，甚至优于研究中表现最好的会计师。Claude Opus 5 在 20 道题中取得 20 题全对、正确率 100%，每题几分钟内完成；12 名持证注册会计师的正确率从 0% 到约 90% 不等，其中数人用完了 3 小时时限。研究还提到，18 个月前这些模型在同类任务上的得分远低于人类会计师。
Claude Sonnet 5.5 (Max) 在 Agent Arena 首发排名第三，Anthropic 包揽前三
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。
Artificial Analysis 编码智能体指数：Claude Sonnet 5.5、GPT-6.1 Sol 与 Gemini 4 Argon 登顶但成本差异显著
Artificial Analysis 的 Coding Agent Index 显示，本周发布的 Claude Sonnet 5.5、GPT-6.1 Sol 和 Gemini 4 Argon 均接近榜单前列，但性能与成本平衡各不相同。
智能体评测转向终态
本版导读微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，按终端后端状态和副作用而非生成文本打分，覆盖 507 个有状态业务流程、每个任务重复运行 20 次。这一方法把评测焦点从模型说了什么转向实际做成了什么，为智能体能力评估提供了更贴近真实业务的基准。
微软与 Hugging Face 发布 ThinkingBox：按数据库终态而非生成文本给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，按终端后端状态和副作用而非生成文本打分，覆盖 507 个有状态业务流程、每个任务重复运行 20 次。
图像生成主打精准编辑
本版导读Black Forest Labs 的 FLUX 3 Image 在 fal 平台上线，主打精准图像编辑，保留未修改部分。该模型支持原生 2K 和 4K 图像生成，最多可组合 10 张参考图，能在一次生成中完成多处定向编辑，并对布局和构图提供细致控制，面向需要精细操控的专业创作场景。
Black Forest Labs 的 FLUX 3 Image 在 fal 上线
Black Forest Labs 的 FLUX 3 Image 已在 fal 平台上线，主打精准图像编辑，保留未修改部分。该模型支持原生 2K 和 4K 图像生成，最多可组合 10 张参考图，能在一次生成中完成多处定向编辑，并对布局和构图提供细致控制。