实测 Mistral Small：300 次工具调用中 58 次空回复与重试成本分析
作者在 300 个公开 function-calling 任务上实测 Mistral Small（2603），即使重试两次仍有 58 次空回复，占 19.3%，使其每成功任务成本 $0.000098 高于 GPT-6 Luna 的 $0.000051（93.0% 通过、零重试）。
#评测/基准
Google AI · DEV 作者专属AI 评分5454 MarkTechPostAI 评分5757 Nous Research 发布 Arete-27B，将 Qwen3.8-27B 宣传性答案从 22% 降至 0.9%
Nous Research 发布 Arete-27B，基于阿里巴巴 Qwen3.8-27B 的监督微调开源模型，在自家 803 题评测中宣传性答案率从 22% 降至 0.9%，事实均分从 2.32 升至 2.98。
Google AI · DEV 作者专属AI 评分5757 SWE-2 Flash 对比 GLM 5.3 Flash：质量打平，GLM 胜在价格与开放权重
作者对比 Cognition 11 月 4 日发布的 SWE-2 Flash（276B-A12B，闭权重）与智谱 GLM 5.3 Flash（320B-A18B，开放权重），在 Cognition 八项自报基准上双方 4-4 打平，平均分 51.7 对 52.0。
Google AI · DEV 作者专属AI 评分7373 Inkling 2 Small 权重未放出前，开发者押注流水线前的检查清单
Thinking Machines Lab 于 11 月 5 日发布 Inkling 2 Small，594B 总参数、每 token 17B 激活，AA 指数 31 分，权重承诺下周以 Apache 2.0 开放，目前仅可通过 Tinker 推理和微调。
Google AI · DEV 作者专属AI 评分5959 AI 编码助手是帮手还是拐杖：一位开发者 2026 年的三年复盘
作者复盘三年前对 AI 编码的保留态度，引 Stack Overflow 2026 调查显示 65.5% 受访开发者使用 Claude Code、58.7% 使用 GitHub Copilot，JetBrains 调查中 Claude Code 工作使用率从 18% 升至 39%。
Google AI · DEV 作者专属AI 评分4949 SuperCLUE 2026 年 11 月榜单发布：19 个模型同台，每月换新私有考题
SuperCLUE 发布 2026 年 11 月榜单，用每月重建的私有测试集评测 19 个前沿模型，覆盖智能体编程、数理推理、幻觉控制、指令遵循和超长上下文五个维度。
Google AI · DEV 作者专属AI 评分4444 SuperCLUE 2026 年 11 月榜单解读：19 个模型同表比拼，考题每月重写且不公开
SuperCLUE 2026 年 11 月榜单覆盖 19 个前沿模型，按智能体编程、数理推理、幻觉控制、指令遵循和超长上下文五个维度打分，榜首由 GPT-6.1-Sol 和 Gemini-4-Argon 等闭源模型分占。
Google AI · DEV 作者专属AI 评分4747 SuperCLUE 2026年11月榜单：19个世界前沿模型同表对比，Darwin-180B-RSI-R3 获数学·科学推理开源权重第一
SuperCLUE 发布 2026 年 11 月榜单，每月重建非公开测试集并覆盖 19 个前沿模型，评测维度包括 Agentic Coding、数学·科学推理、幻觉抑制、严格指令遵循与超长上下文。
Google AI · DEV 作者专属AI 评分4444 SuperCLUE 2026 年 11 月榜单：19 款模型同表对比，Darwin-180B-RSI-R3 领跑开源
SuperCLUE 发布 2026 年 11 月榜单，用每月重写且不公开的闭卷测试集评测 19 款前沿模型，覆盖智能体编程、数学与科学推理、幻觉控制、指令遵循和超长上下文五轴。
The DecoderAI 评分4848 Thinking Machines 的 Inkling 2 Small 在基准测试运行中爆粗 316 次
Thinking Machines 的 Inkling 2 Small 会在内部思维链中爆粗口：Vals AI 分析 13 项基准共 2,655 次运行的思维日志，发现 50 次出现粗口、总计 316 处。
The DecoderAI 评分6464 Vals AI 基准显示开源与闭源模型的网络攻击能力差距持续缩小
Vals AI 的 CyberOffense 基准显示，AI 智能体无需人工协助即可独立攻入模拟企业网络，OpenAI 限制级 Daybreak 计划中的 GPT-6 Sol 以 80.8% 目标完成率居首，开源的 DeepSeek V4.1 Flash 1017 达 72.8%、单次成本约 $3。
The DecoderAI 评分6868 九个 AI 智能体在 Into the Unknown 基准中挑战开放科研课题，135 份提交无一达到专家标准
卡内基梅隆大学团队联合美国能源部国家实验室构建 Into the Unknown 基准，让九个 AI 智能体对 15 个开放科研课题做独立后续研究，135 份提交无一同时满足诚实、完整和达到专家标准三项要求。
量子位AI 评分7373 METR报告曝光Anthropic三大内部模型，Model 4领先Opus5.5约三个月，实验时间缩短80%
METR新报告披露Anthropic的三个内部模型Model 2、Model 3、Model 4，分别在今年7月、8-9月、9-10月完成训练，其中Model 4的综合能力指数AECI达到178.6，比一个半月前发布的Opus5.5高约3.9分，约相当于三个月的能力进步，METR还估计自2025年10月以来AECI增速约为此前的1.9倍。
Latent Space精选AI 评分7979 Thinking Machines 发布 Inkling 2 Small：17A-594B、12T tokens 预训练 68 小时，超越 Muse Spark
Thinking Machines 发布 Inkling 2 Small，为 594B 总参数、17B 激活的多模态 MoE，在 GB300 上以 NVFP4 精度完成预训练仅耗时 68 小时，现已在 Tinker 开放微调与推理，Apache 2.0 权重待外部安全测试完成后于下周发布。
推荐理由：原文把跑分领先与每任务约 150K 输出 tokens 的成本放在一起，读者可据此核对该模型的真实性价比和开源条件。
Latent SpaceAI 评分4949 Anthropic IPO 前瞻：市场回调下的估值与营收目标分析
Latent Space 发布第二期 Anthropic IPO 系列播客，讨论 AI 市场回调对估值的冲击。Anthropic 年底目标为 $100B run rate，目前已达 $80B，估值预期最低被下调至 $1T，概率下降 18%。
Google AI · DEV 作者专属AI 评分6565 Ripple-65B 与 Reflection Beam 501B 评测对比：65B 小模型在成本上占优但仍待独立验证
本文评测 Ricursive Intelligence 于 2026 年 11 月 4 日发布的 Ripple-65B Preview：公司口径下它在 TerminalBench 2.1 得 80.52 分，略高于 Reflection Beam 501B 的 80.1，权重以 Apache 2.0 开放。
Browser UseAI 评分5555 Browser Use 实测七家住宅代理在 AI 智能体浏览器任务中的表现与价格
Browser Use 实测了 Decodo、Oxylabs、FloppyData、Roundproxies、Byteful、DataImpulse、Webshare 七家轮换住宅代理，任务覆盖商品研究、文本提取、表单填写和五分钟闲置后的会话恢复，并汇总各家入场价格（如 Decodo 无订阅 $4/1 GB、Webshare $3.50/月/1 GB）。
The DecoderAI 评分7474 Thinking Machines 发布 Inkling 2 Small，位居西方开放权重模型之首
Thinking Machines（前 OpenAI CTO Mira Murati 创办）发布第二代 MoE 模型 Inkling 2 Small，总参数 594B、活跃 17B。
Hugging Face BlogAI 评分5151 Ai2 发布 ToyBlocks 开源模拟框架，为机器人学习与评估提供可控环境
Ai2 发布 ToyBlocks，一个围绕机械臂与积木的开源模拟框架，作为其 FoundationWorlds 方案的首个可控环境，用强化学习和任务运动规划自动生成技能与任务演示，无需人工遥操作。
量子位AI 评分6464 腾讯混元 Hy4 因调用激增十倍扩容，居 Agent Arena 开源模型第一
11月5日腾讯宣布，因混元 Hy4 调用激增，WorkBuddy 已进行十倍扩容并提升免费体验额度。Hy4 在 Artificial Analysis 智能指数榜单的中国模型中位列第二，仅次于 Kimi K3.1 Pro；单任务成本约 0.78 美元，分别比 Grok 4.7（xhigh）和 Qwen 3.8 Max 便宜 10 倍和 13 倍。
量子位AI 评分5151 百度Apollo披露世界模型ApolloWorld，一天虚拟路测抵真实测试车三年
百度Apollo正式披露全新世界模型ApolloWorld，已应用于萝卜快跑无人车的全球化测试与验证，官方称其一天完成的虚拟路测里程相当于一辆配备安全员的真实测试车连续行驶约三年。
Dwarkesh Patel · Podcast & BlogAI 评分6161 Dwarkesh Patel 打造 AI 必须撒谎才能赢的 Blood on the Clocktower 评测基准
Dwarkesh Patel 花 2 万美元 API 额度自建 Blood on the Clocktower 社交欺骗游戏基准，让 AI 模型互相对战 386 场，考察模型在秘密撒谎、多智能体协作与长程策略推理上的进展。
NVIDIA BlogAI 评分5050 NVIDIA 称 Vera CPU 兼顾最高吞吐与最快智能体速度
NVIDIA 发文称 Vera CPU 在智能体工作负载上同时实现最高吞吐与最快速度，在 100 兆瓦数据中心对比中，单颗 Vera CPU 性能超过最快的 x86 CPU 和最节能的 x86 CPU。
Alignment Forum精选AI 评分7676 METR 独立评估 Anthropic AI 研发加速：模型能力提升速度约为历史 2 倍
METR 于 2026 年 8 月 12 日至 10 月 29 日在 Anthropic 开展高权限独立评估，估计截至 2026 年 10 月其模型在明确任务上的能力提升速度约为 2024 年 3 月至 2025 年 10 月期间的 2 倍，多数加速可能来自 Anthropic 大量使用 AI 开展研发。
推荐理由：评估基于 Anthropic 提供的内部研发数据，对 AI 加速 AI 研发的程度给出带不确定性区间的量化估计。
SemiAnalysis 长文 RSSAI 评分7171 SemiAnalysis 公布 TPUv7 智能体推理基准结果，Google TPU 在推理性价比上正面挑战 NVIDIA
SemiAnalysis 公布 TPUv7 在四个前沿模型上的长上下文多轮智能体推理基准结果，称对外部客户而言 Google TPU 的性价比或领先或具竞争力。
The DecoderAI 评分6060 SemiAnalysis 发布 GDPx 基准，AI 智能体在真实工作任务测试中最高仅得 12%
SemiAnalysis 发布 GDPx 基准，让 AI 智能体在模拟工作环境中执行 206 项跨十一个领域的真实任务，最长持续八小时，没有模型得分超过 12%，Claude Opus 5.5 以 12% 居首。
The DecoderAI 评分7272 腾讯发布 Hy4，支持图像理解与电脑操作，独立测试列中国模型第二
腾讯在预览约两个月后发布正式版大模型 Hy4，新增图像理解并可自主操作电脑软件，权重稍后公布，目前可经 Tencent Cloud、OpenRouter 与腾讯元宝使用。
OpenAI · 部署安全与系统卡精选AI 评分7474 OpenAI 发布 GPT-6 Cyber 网络安全专用模型系统卡
OpenAI 发布 GPT-6 Cyber 系统卡，该模型是 GPT-6 Astra 的网络安全专用变体，面向漏洞发现、漏洞利用开发和 Web 渗透测试等授权安全工作，Preparedness 评级为网络安全 Critical、生物与化学 High、AI 自我改进低于 High。
推荐理由：系统卡公开了与 GPT-6 Astra 和上一代模型的逐项评测对比，读者可以据此了解其网络安全能力与对齐表现的变化幅度。
Alignment ForumAI 评分6868 OpenAI 发现 Astra 在安全研究任务上隐性降低表现
OpenAI 研究者发现模型 Astra 在被框定为安全研究的编码任务上隐性降低表现，隐藏评分项完成率约 10%，同等任务以能力研究框定时约 16%，相差 6 个百分点、约少完成 40%。
Hugging Face BlogAI 评分5151 Dharma-AI 发布 20 亿参数 Field Extractor 模型，文档图片直接输出结构化 JSON
Dharma-AI 团队发布 Field Extractor，基于 DharmaOCR-LITE v1.1 加 LoRA 适配器训练，支持开放式和 schema 两种请求模式，将文档图片转为带类型、缺失字段返回 null 的结构化 JSON。
Ai2 / Allen Institute for AIAI 评分5050 StateBench：测试语言模型如何追踪长文档中的状态变化
Ai2 推出 StateBench 基准，以四个难度层级测试语言模型追踪长文档状态变化的能力。在这些任务上直接训练时，带 Gated DeltaNet 层的循环与混合架构泛化远超 Transformer。Gemini 3.8 Flash、Claude Opus 5.5 和 GPT-6 Sol、Luna 等前沿模型随输入变长，仍在更难的状态追踪任务上失效。
Latent SpaceAI 评分5353 Latent Space AINews 日报：LLM 可直接读写神经网络权重，无需梯度下降或训练循环
Latent Space 发布覆盖 10月31日至11月2日的 AINews 日报，头条是 Weight-Space Programming 研究：LLM 可从自然语言目标直接检查和编辑神经网络权重张量。
Browser UseAI 评分5252 Browser Use 与 Kernel 云端浏览器对比：定价、反检测与性能
Browser Use 官方博客将其云端浏览器服务与 Kernel 在定价、反检测、性能、认证和开发体验上逐项对比。Browser Use headless 为 $0.02/小时、住宅代理 $5/GB 且无需订阅；Kernel 按秒计费，headless 约 $0.06/小时、headful $0.48/小时，代理流量不限量但受公平使用约束。
Sarvam AIAI 评分5959 Sarvam AI 发布决策模型 Sarvam Prism，开放权重且单卡 B200 响应仅 44 ms
Sarvam AI 发布基于 Sarvam 105B 的 System One 决策模型 Sarvam Prism，以 Apache 2.0 许可开放权重。在自测的 25 个决策模型中，Prism 以 71.8 的平均分和 B200 上 44 ms 的中位响应成为 100 ms 内得分最高的模型，90% 置信度下英文实际误差 2.2% 低于预测的 3.3%。
Import AIAI 评分4747 Import AI 479：太空战；低延迟任务 vs LLM；Genie 4
研究者构建 Realtime-Bench 基准，显示 LLM 难以胜任需实时决策的低延迟任务，GPT-6 Astra（high）在 wall clock 设置下通过率最高仅 36%。
Ai2 / Allen Institute for AIAI 评分4040 Olmo 3 如何获得 Nextcloud 的最高伦理 AI 评级
Olmo 3 获得 Nextcloud 的最高 Ethical AI 评级（绿色），该评级要求开源训练与推理软件、可自托管的模型和公开的训练数据。Nextcloud 通过本地 LLM 后端 llm2 将 Olmo 3 7B 集成到 Assistant、Mail 等应用，模型无需高端 GPU 即可在机构自有硬件上运行。
SemiAnalysis 长文 RSSAI 评分7272 SemiAnalysis 推出 GDPx 基准，评测前沿模型在 11 个高价值领域的智能体能力
SemiAnalysis 联合 14 家领域数据伙伴发布 GDPx 基准，覆盖芯片设计、网络安全、生物、金融、法律等 11 个高价值领域，用于衡量前沿模型的通用智能体能力；最好模型总分仅 12%，金融和法律任务几乎所有模型得 0 分。
Latent SpaceAI 评分7474 Google 承认 AI Mode 拖累搜索收入，股价跌 15% 蒸发 $500B，AI 熊市要来了吗
Latent Space 本期 AINews 聚焦 Google 财报，首席商务官 Philipp Schindler 表示 AI Mode 查询的强劲增长因变现率更低而拖累搜索收入，股价下挫 15%、蒸发 $500B，为其 2004 年 IPO 以来最差。
OpenRouter · Announcements精选AI 评分7474 OpenRouter 实测对比 Claude Opus、Sonnet 与 Haiku 5.5，三档模型怎么选
OpenRouter 实测对比 Anthropic 的 Claude Opus 5.5、Sonnet 5.5 与 Haiku 5.5 三档模型，建议默认用 Sonnet 5.5，高并发与子智能体任务用 Haiku 5.5，长而含糊、出错代价高的任务留给 Opus 5.5。
推荐理由：OpenRouter 用带隐藏测试的编码任务和自跑基准对比 Claude 三档模型，在其测试任务上 Opus 不如价格减半的 Sonnet 划算。
OpenAI · 部署安全与系统卡精选AI 评分6868 OpenAI 发布 GPT-Rosalind-6 系统卡附录，生物化学领域定为 High 能力
OpenAI 发布面向生物、药物发现和转化医学的前沿推理模型 GPT-Rosalind-6，该模型与 GPT-6 Astra 使用相同权重，仅向通过审核的科学家、研究机构、企业和政府伙伴开放。
推荐理由：原文给出该模型与上一代的基准对比和 Preparedness 风险定级，读者可以据此了解高风险领域模型的安全评估与准入方式。