benchmark

展示了 Fable 5.5 与 GPT 6.2 Astra 在通过隐身路由（stealth routing）生成 PS5 手柄 SVG 图形时的对比结果。

Particle-1 是一款面向编程智能体、注重 token 效率的模型（在准确率相当的情况下，输出 token 数比 DeepSeek V4.1 Flash 少约 45%），现已在 OpenClaw v2026.10.10 中上线，标准推理采用零数据保留政策。

balbal-v2 发布了两个 CPU 高效的土耳其语语音识别模型（3.13 亿和 4500 万参数，CTC + KenLM），训练成本不到 250 美元，在 Mu-Bench TR 基准测试中仅次于 Google Chirp 3 排名第二，在普通硬件上运行速度最高可达实时的 236 倍。

一位开发者对比了在本地运行 Qwen3.8-Flash-Next（llama-server + ROCm 上的 UD-Q4_K_XL）与在 Claude Code 中使用 Claude Opus 审查同一个真实 Swift 提交的效果：Qwen 产生 8 个发现，零误报，并抓住了 2 个 Claude 遗漏的问题，但漏掉了另外 5 个问题，因此它更适合作为可靠的私密初审工具，而非最终裁决者。

Fable 5.5 被曝仅用代码一次性生成完整动画，Chetaslua 称同一提示词下普通 Opus 5.5 和 Fable 5.1 效果明显更差，并提供了验证方法，但该消息尚未得到官方证实。

作者将其 AI 智能体控制平面中的五种表示法（Make、init-d、Graphviz DOT、Gherkin、Belnap 表）替换为 1980 年 Smalltalk-80 的关键字级联，并报告称，在一项包含 360 次试验的基准测试中，其合规率达到 100%，而自然语言描述/Gherkin 的合规率为 2.5%，S 表达式的合规率为 91.7%。

LiquidAI 的 LFM3-1.7B 量化报告显示，该模型可在 3.6 GB 显存中无损运行（2.2 GB 时仅有轻微性能下降），在 LiquidAI 基准测试中超越 MiniCPM5-2B，同时以一半的内存提供 2 倍的上下文长度。

一项分析指出，在更新后的图表中，DeepSeek-V4.1-Flash-1017 的全部四种 Unsloth 量化版本以及 Q8 基线在 LiveCodeBench v6 上的得分同时提高了 2–3 分。在独立采样模型下，这种变化在统计上发生的可能性很低，而 GSQ-RCO 的结果则表现不一致。

Chris Parmer 指出，Particle 的新模型在数据分析任务上进入了 Dash 的 Pareto 前沿，表现优于 Terra-6.1 和 Haiku 5.5——这是多年来首个跻身该前沿的新模型。

一篇博客文章指出，编码智能体的会话记录与轨迹是极具价值的资料，可用于调试故障、理解成本开销以及复用修复方案——同时警告 Claude Code 的 30 天清理机制会将这些记录永久删除。文章拆解了一个会话归档中包含的内容，并引用了一次 RTK 基准测试的尝试：该测试在经历连续 339 次错误、成本约为基线 9 倍之后才最终通过。

OpenAI 宣布了一项新的内部基准测试，用于评估其 AI 处理购物和膳食规划等人类日常任务的能力，并报告称，GPT-6 Astra 在搬家后寻找幼儿园的任务中得分为 93.1%，在制定适合糖尿病患者的膳食计划的任务中得分为 90.4%。

OpenAI 宣布推出 LifeVal，这是一项新基准，基于数千名 ChatGPT 用户对他们最希望获得帮助的日常任务的反馈构建而成。在过去一年中，OpenAI 一直使用该基准来衡量并提升模型在实际工作流程中的表现。

该组织推出了 Hydrogen-1.0，这是一款基于 GLM-5.3、使用内部科学数据微调的开放权重模型，声称其在 FrontierScience-Research 上的得分为 38.3%（相比之下，GPT-6-Astra 为 33.3%），在 GPQA-Diamonds 上的得分为 93.0%，旨在推动开放的科学发现。

LGW Lab 开源了一个 Claude skill，可生成用于研究论文的出版级示意图，并附有一项基准测试，表明 Opus 5.5 和 GPT-6 Astra 配合该 skill 能达到接近出版的质量。

一项包含 216 次运行的基准测试，在一项浏览器任务中比较了 Claude Code（Opus 5.5）和 Codex（GPT 6 Astra）通过 CLI、技能和 MCP 使用 agent-browser、Playwright 和 Chrome DevTools 的表现；所有运行均通过测试，工具选择因智能体而异，而一个生成的 Python 脚本在速度和成本方面都远胜于每一次智能体运行。

一位爱好者基准测试将本地运行的量化模型（Qwen3.8-Flash-Next、Qwen3.8-27B、Gemma 4）与 Claude 系列模型放在 9 个真实的 C++/CUDA 修 bug 任务上对比，发现 3-bit 量化对得分影响很小但会让模型思考更久；本地 Flash-Next 的表现大致与 Claude Haiku 5.5 持平，而 Opus 5.5 整体领先。

作者用 RTX 5090、4090 和双卡 V100 实测 DeepSeek-V4.1-Flash-1017、Qwen-3.8-Flash-Next、Qwen-3.8-27b 三款本地开源模型，通过 Core-300 盲测与 200K+ 长文本压测对比其与 GPT-5.5、Opus-4.8 等云端模型的实际体感差距。

Lab2Sim 引入了一个包含 218 个科学实验视频的基准数据集，配有基于证据的规格说明，并提出 EduVideo2Code，将实验流程编码为状态机以引导可验证代码生成，从而构建交互式虚拟实验，将实验装置保真度提升 24.15 分。

清华与微软亚研合作的 HarnessMM 论文提出通过受保护的决策复用与递归自改进来提升 agent harness 的 token 效率，实验显示 DeepSeek Harness（DSH）收益显著：HumanEval 成功率从 71.43% 升至 85.71%，每题 token 省 87.93%，而 Codex 仅省 29.54%。

OpenAI 宣布推出 LifeVal，这是一项用于衡量其模型在日常实际任务中表现的评估——涵盖育儿、预算管理、购物和政务服务等场景——数据来源于时间利用研究以及一项新的 3,995 人调查，过去一年中该评估一直用于推动模型改进。