同一模型换一套题，名次能差出好几名——榜单从来不是成绩单，而是出题人视角的一块切片。基准怎么出、评分器怎么设计、结果怎么才不虚高，正是判断一个分数可不可信的三件事。
Muse Spark 在2026年10月2日成为 Meta 公布的一项协作研究的主角：Meta 的数学家团队与该模型共同完成六篇研究论文，其中五篇回答了此前悬而未决的开放问题。团队使用的是 Muse Spark 1.1 和 1.2 的 Thinking Mode，全程只通过 meta.ai 的普通聊...
AstaBrief 8B 是 Ai2（Allen Institute for AI）于 2026 年 10 月 2 日开源的科学报告生成模型：给它一个研究问题和检索到的文献片段，它直接输出一篇带引用的报告。模型已在 Ai2 的科研平台 Asta 的"生成报告"功能中上线为 Fast mode，权重和...
Mercor 的会计对照研究在 2026 年 10 月 2 日由 Mercor 通过官方博客公布：研究团队请来 12 名平均从业 5 年半、持有注册会计师资格的初级会计师，与前沿大模型在同一批月末结账任务上正面对照。结果很刺眼——会计师的平均得分约为 37%，而 Claude Opus 5 等前沿模...
Modal VM Sandboxes 在 2026 年 10 月 1 日正式 GA，这是 AI 云基础设施公司 Modal 在官方博客宣布的新品：给 AI 智能体准备的完整 Linux 虚拟机。开发者只要把沙盒的运行时参数切到 runtime="vm" ，智能体就能在一台真正的电脑里干活——跑 Do...
2026年10月1日，Arena 官方宣布，小米的 MiMo-V2.6-Pro 与 MiMo-V2.6-Flash 正式登陆 Agent Arena 榜单。这是 MiMo-V2.6 系列在 9 月 21 日发布、随后以 MIT 协议开源之后，第一次接受大规模真实智能体会话的检验。 先看 Pro 的成...
Gemini 4 Argon 是今天的头号新闻：Google DeepMind 在 9 月 30 日发布了新一代前沿模型，首站定在网络安全。同日美国监管端动作密集——FTC 宣布对 OpenAI、Anthropic 等头部实验室启动全行业调查，特朗普政府的 AI 风险计划细节也被 Ars Techn...
2026 年 10 月 1 日，OpenRouter 在官方博客发布了一套为 Agent 任务挑选模型的三步框架。它的起点是一个反常识的判断：按排行榜名次选模型，会让你为用不上的名次付前沿价格。正确的问题不是「哪个模型分最高」，而是「哪个模型是刚好够用的最便宜一款」。 榜单排名为什么会误导 Agen...
9 月 29 日，OpenAI 在 DevDay 2026 上发布了 GPT-6.1 Sol：它是 GPT-6 Sol 的升级版，官方称其在智能体编码、computer use 和专业工作负载上的智能接近 GPT-6 Astra，而标准输入、输出 token 价格只有 Astra 的五分之一。 这次...
