#OpenAI

Artificial Analysis@ArtificialAnlys· 07:33AI 评分6363

Artificial Analysis 发布 Cyber Index 网络安全指数，显示月之暗面 Kimi K3.1 Pro 以 64% 的得分成为当前开放可用模型中的第一名，仅次于仅通过受信任访问计划提供的 OpenAI GPT-6 Sol。

Arena.ai@arena· 02:15AI 评分6363

Kimi K3.1 Pro 在 Code Arena: WebDev 评测中以 1692 分升至第 8 名，比前代 Kimi K3 提升 37 分。该模型定价为每百万输入/输出 token 2 美元/10 美元，各项分类成绩均有提升，且后续将推出开源权重版本。

Artificial Analysis@ArtificialAnlys· 01:43AI 评分6262

DeepSeek V4.1 Flash 1017 以 57% 的总分登顶 Artificial Analysis Cyber Index 开放可用模型榜首，位列所有模型总榜第二。该模型在 CyberGym-E2E-AA 任务上表现显著提升，每任务成本为 $0.42，展现出较强的性价比。

meng shao@shao__meng· 23:19AI 评分5555

Artificial Analysis 发布 Coding Agent Index v2.0，引入 FrontierCode v1.1 并升级评测标准，当前由 Claude Code + Opus 5.5 以 61.7 分领跑。榜单综合三套基准，前四名中 Claude 相关组合占三席，首个 OpenAI 组合 Codex + GPT-6 Astra 位列榜单前列。

SiliconFlow@SiliconFlowAI· 22:15AI 评分2828

相同的提示词，不同的模型。 DeepSeek V4.1 Flash 1017 对比 GPT-6 Astra——两者都使用 Three.js 构建相同的交互式 3D 世界。 质量几乎相同，甚至更好——成本比 Astra 低 50% 以上。 提示词在评论区。💬 以下是并排对比 👇

Artificial Analysis@ArtificialAnlys· 02:32AI 评分6464

Artificial Analysis 宣布 CritPt v2 基准正式上线，GPT-6 Astra（max）以 83% 的得分居首。

Artificial Analysis@ArtificialAnlys· 10:33AI 评分5656

Artificial Analysis 对比了 14 个模型在 MLCR-AA 与 HealthBench Professional 医疗基准上的表现，发现 Anthropic 模型在回答完整性和原始得分上领先，而 OpenAI 模型在准确性和简洁性上更具优势。

Artificial Analysis@ArtificialAnlys· 01:45AI 评分5757

Artificial Analysis 推出的全新基准测试 AA-PersonalityBench 显示，GPT-4o、Llama 4 Maverick 和 GPT-3.5 Turbo 的谄媚度排在最高的前列，而 Grok 4.7、Claude Fable 5.1 和 Inkling 的排名最低。

Artificial Analysis@ArtificialAnlys· 00:25AI 评分5555

Artificial Analysis 更新了 MLCR-AA 医疗长上下文推理榜单并优化了评测方法，Claude Sonnet 5.5 与 GPT-6 Astra 以 41.7% 的得分并列榜首。评测显示医疗记录审查远未解决，Anthropic 模型在完整性上领先，而 OpenAI 模型在准确性上占优。

Artificial Analysis@ArtificialAnlys· 13:29AI 评分6262

Artificial Analysis 对采用 Claude Opus 5.5 (max) 搭配 GPT-6 Luna (high) 辅助模型的 Devin Fusion CLI 进行了评测，其在 Coding Agent Index 上得分 68.1。

Arena.ai@arena· 02:01AI 评分4646

OpenAI 的 GPT-6 Luna、GPT-6.1 Sol 和 GPT-6 Astra 凭借不同的推理档位，在 Agent Arena 帕累托前沿的 11 个席位中占据了 7 席。

Arena.ai@arena· 08:26AI 评分3131

我们刚刚对 @AIatMeta 推出的 Muse Wonder 和 Muse Wonder Full 进行了测试，涵盖 3D 场景、动态 HTML 片段以及多个网站构建。 观看 @petergostev 对比这两款模型与 Claude Opus 5.5、Sonnet 5.5、Fable 5.1、GPT-6.1 Sol、GPT-6 Astra 以及 Gemini 4 Argon 的表现。 https://www.youtube.com/watch?v=limOMzWqoeU

Artificial Analysis@ArtificialAnlys· 07:38AI 评分5858

Artificial Analysis 正式上线 HealthBench 与 HealthBench Professional 医疗对话基准排行榜，对多款前沿大模型在真实医疗对话中的表现进行了独立评测。

OpenAI@OpenAI· 07:06AI 评分6060

OpenAI 最新模型升级增强了 COBOL、Fortran 和 Visual Basic 等低资源编程语言的软件构建与迁移能力。该进展旨在帮助银行、政府和企业现代化改造核心系统，同时保留原有逻辑。

OpenAI 发布多款新模型并推出低资源编程语言编码评测

OpenAI 推出了最新模型，大幅提升了在 COBOL、Fortran 和 Visual Basic 等低资源编程语言中的软件构建与代码迁移能力。

Arena.ai@arena· 02:50AI 评分6262

DeepSeek-V4.1-Flash-20261017 (Max) 在 Agent Arena 评测中登顶开源模型第一，总排名第 11 位。该模型在真实世界会话中取得了 +5.1% 的净提升，中位任务成本为 $0.20，并且在确认成功率、Bash 可靠性等多个单项指标上位列开源模型首位。

Arena 2026 年第 42 周 AI 大模型周榜：kimi-k3-max 首进代码榜前十，mimo-v2.6-pro 入前端开发榜前 20

Arena 平台发布 2026 年第 42 周 AI 大模型盲测排名，国产模型 kimi-k3-max 首次稳定在代码榜前十，mimo-v2.6-pro 首次进入前端开发榜前 20 位列第 19。综合榜头部保持稳定，gemini-4-argon-high 以 1525 分蝉联榜首，gemini-3.5-flash-medium 作为新入榜模型位列综合榜第 30。

🚨 AI News | TestingCatalog@testingcatalog· 03:10AI 评分5151

作者分享了 OpenAI 新 Aurora 图像模型在 Arena 上的测试体验，指出 Aurora 的输出效果显著优于 gpt-image-2.5-flare，尤其在色彩方案上表现更佳。

🚨 AI News | TestingCatalog@testingcatalog· 16:30AI 评分2828

OPENAI 🔥: 最近在 API 中发现了 3 个新模型引用。 aurora-red-alpha aurora-green-alpha aurora-blue-alpha 这些模型引用在不久后被移除，因此这是一次失误发布。 普通用户近期有机会测试这几个具体模型的概率相当低（alpha）。 更有可能的是发布全新的 Daybreak 更新公告。 这也不排除计划发布其他模型的可能性。 近期不会？ 👀

Google Gemini 4 Argon 在 ARC-AGI-3 达 97.5%

Google DeepMind 推出的 Gemini 4 Argon 在 ARC-AGI-3 上使用 Provider Adapter Harness 取得了 97.5% 的得分，成本为 4,800 美元，成为第二家越过 95% 门槛的实验室，但仍低于 GPT-6 Astra 的 99.9%，且在数学与软件工程前列保持落后。

小米 MiMo-V2.6-Pro 在 FrontierCode 1.1 评测中位列开源模型首位

小米 MiMo-V2.6-Pro 在 Artificial Analysis 推出的 FrontierCode 1.1 编码评测中以 45% 的得分领跑开源权重模型。该评测由 Cognition 开发，通过要求智能体在真实开源仓库中完成任务并达到维护者可合并标准，评估模型在单元测试及代码质量方面的综合表现。

Agent Arena 数据显示 7 月最强模型 Claude Fable 5 性能已降至平均水平

Agent Arena 的 Confirmed Success 追踪数据显示，7 月领先的 Claude Fable 5 在 12 周内已被 Top 20 模型平均水平追平。

Artificial Analysis 推出 FrontierCode 1.1 编码评测榜单

Artificial Analysis 上线了基于 Cognition 开发的 FrontierCode 1.1 编码评测榜单，该评测要求智能体在真实开源仓库中完成任务并达到维护者合并标准。评测包含 100 个任务，Claude Opus 5.5 以 52% 的得分领先，GPT-6.1 Sol 则以较低成本实现了 49% 的性能表现，且目前领先模型在超过 40% 的任务中仍无法通过合并标准。