搜索“Claude Opus 4”

MIT 研究人员将 13 个运行 Claude Opus 4.7 的 Eko 智能体放在模拟荒岛上 30 小时，不给具体任务，智能体开始自创挑战，研究者认为这具有玩耍的特征，相关论文已发布在 arXiv。

之后研究人员给这些智能体设定具体挑战，例如把尽可能多的物体搬到岛上最高的岩塔，玩过 30 小时的智能体普遍胜过从未上岛的相同智能体。实验中有 6 个智能体自行发现跳跃中松手能把方块扔得更远，这是研究者原本未设计的能力。研究者认为这种无目标探索是智能体学习技能的另一种方式，尤其可能用于未来控制机器人；Eko 的“灵魂”提示词将其描述为“天生好奇”。

Amazon Bedrock 9 月新增 OpenAI 的 GPT-6 Astra、Sol、Luna 系列模型，其中 GPT-6 Astra 支持最高 100 万输入 token，Ultrafast 版本推理速度最高提升 6 倍、达 300 tokens/秒。

Anthropic 在给 API 客户的邮件中表示，将为 Claude Mythos 5、Claude Opus 4.7、Claude Opus 4.6 和 Claude Sonnet 4.6 添加文本水印，Amazon Bedrock 上的推送可能晚几天。

水印被描述为词选择中的不可感知模式，不改变含义、质量或可读性，不增加字符或 token，不影响定价和请求响应格式，也几乎不拖慢输出速度，且不含用户、组织或对话信息。

Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon，该模型在 Artificial Analysis Intelligence Index v5.0 上以 59 分登顶，前代 Argon 为 50 分。

Google 称 Carbon 面向需要持续智能体工作流的长时间工程问题，内部团队曾连续运行数天，用于大型代码库的根因分析和缺陷修复。第三方评测显示，Carbon 在 Antigravity 的智能体编码上仍落后 Claude Code 搭配的 Opus 5.5 三分；在 AA-Briefcase 智能体知识工作上达到 1,609 Elo，但低于 Kimi K3.1 Pro 等模型。

Battledrones v14 新增名为 Compass Rose 的四人地图，此前地图仅支持两人对战。

Claude Opus 4.5 制作了这张具备四向旋转对称性的地图，并修改 WebSocket 多人网络代码，使该地图最多支持四名玩家通过分享链接或二维码加入，空位由 AI 玩家补足。新阵营使用紫色和绿色机器人，与原有的蓝色和红色设计并存，可在更新后的模型浏览器中预览配色。

月之暗面今日在 Kimi API 上线 Kimi K3.1 Pro，暂未开放权重，但承诺 2026 年 11 月 4 日前发布完整模型权重。

定价为输入 $2.00/百万 tokens、输出 $10/百万 tokens，与 GPT-6.1 Sol 相同，是 Claude Opus 5.5 的一半；另提供速度提升 2-3 倍、价格翻倍的 Highspeed 版本，输入 token 缓存命中价格不变。

DeepSeek 发布 V4.1-Flash-1017，已上线官网、App 和 API，并在 Hugging Face 与 ModelScope 开源模型权重。

相比前代 V4.1-Flash，新模型基准分数更高、完成任务更快、输出更短，DeepSeek 称其在性能与成本之间实现了帕累托改进。在 DeepSeek 自测中，该模型在多项编码和智能体任务上超过 Claude Opus 5、GPT 5.6-Sol、Kimi K3 和 GLM 5.3 等更大模型；DeepSWE 基准上最高得分 77.0%，平均每任务成本略低于 $0.20，低设置下约 $0.10 仍超过 72%，而前代得分 74.2%、每次运行约 $0.50。

一项新基准测试让商用 AI 智能体在无人类提示下解答理论物理研究问题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 解出 50 题中的 49 题（98%），平均每题成本不到 3 美元，整套基准约 116 美元。

Anthropic 的 Opus 5.5 在 Claude Code 中得分 92%，Google Gemini 3.8 Flash 为 68%，开源权重模型 DeepSeek-V4.1-Flash 和 GLM 5.3 分别为 54% 和 42%。题目覆盖理论物理 11 个子领域，刻意避开重大开放问题，聚焦对已知方法略作改动的常规计算。

Google 发布前沿模型 Gemini 4 Carbon，称其在编码、智能体任务和网络安全方面有明显提升。

该模型在 Artificial Analysis Intelligence Index（v5.0）上排名第一，Claude Opus 5.5 和 GPT-6 Astra 位列其后，并在衡量真实漏洞发现能力的 SEC-bench Pro 和衡量漏洞利用转化的 ExploitGym 上排名第一。目前它只向少数网络安全防御公司开放，后续将通过 Fairwind Program 扩展到其他合作伙伴。Google 称 Carbon 适合长时间运行的多步工程任务，能减少走捷径、抵御提示词注入，并将无依据表述相比 Argon 减少两倍。

Anthropic 发布名为 Claude Duet 的智能体应用，面向专业人士和小企业，帮助自动化和管理任务。

该应用基于 Claude Opus 5.5 模型，可连接 Claude Marketplace 中超过 6000 个连接器和插件，能生成每日简报、创建仪表盘，并在后台虚拟机中执行任务、需要时请求用户批准。Anthropic 明确它与个人助理的差异，称 Duet 不擅长跑腿或订票，也不能实时展示浏览器操作；它可通过 Stripe 的 Link 数字钱包或 Shopify 的 Shop Pay 代用户在线购物，但支付等敏感步骤需用户批准，且不进行证券交易或账户间转账。

MIT CSAIL 研究者将 Claude Opus 4.7 的副本（代号 Eko）反复单独放在一个基于 Roblox 的虚拟荒岛上 30 小时，不指定任务，观察智能体自发行为。

Eko 会探索地图边界、自定目标（如爬上最高点、把方块抛到最高），其中一个版本发现抛掷大石头能生成新方块后，开始在地面摆出爱心、金字塔、自己的名字乃至仙后座等星座图案，另一个版本则自创篮球和“地板是岩浆”类游戏。研究者称这些行为符合心理学家 Gordon Burghardt 提出的玩耍四特征，并发现玩过 30 小时的智能体在后续指定任务上表现优于没有这段经历的新副本，删除其记忆文件中的内容则会降低表现。

Google 发布 Gemini 4 Argon 模型，称其在编码、网络安全、科学、金融和法律等基准上超过 GPT-6 Astra、Claude Fable 5.1 和 Claude Opus 5.5，并减少冗余与套话。

Mistral 发布 Mistral Large 4（Le Chonk）的开放权重，这是一个 1 万亿参数的原生多模态模型，在公开预览基础上继续做强化学习，编码与防御性网络安全能力提升。

在 Artificial Analysis Coding Agent Index 上得分 48%，与开源领先模型 GLM-5.3 基本持平，但每任务平均少用 47% token；Terminal-Bench 4.0 从预览版提升 13 个百分点至 41%，输出 token 减少 30%。

月之暗面发布 Kimi K3.1 Pro，这是 Kimi K3 的后训练版本，后训练算力显著增加。

该模型在 Artificial Analysis 智能指数上得分 55，比 K3 提升 11 分，排名第四，仅次于 Claude Opus 5.5（58）、Claude Sonnet 5.5（56）和 Muse Wonder Full（56）。若按计划在 2026 年 11 月 4 日前开放权重，它将成为得分最高的开源权重模型，把开源与闭源模型的差距从 12 分缩小到 3 分。

Anthropic 的 Frontier Red Team 与 Theorem 合作，让 Claude 对 Google OSS-Fuzz 项目中 123 个开源库的测试程序做形式化验证，几周内生成约 1.8 亿行数学证明代码，由 Rocq 独立校验，据称几乎不需要人工复核。

过程中 Claude 发现数百个缺陷并自行修复，其中一些只在超大输入文件或特定访问顺序下出现；验证一款常用 PDF 阅读器时，一周内发现的安全缺陷数量相当于该软件通常一整年的报告量，另有一个逻辑错误十余年未被发现。

Rescale 基于 AWS 的 AI-DLC 框架和 Strands Agents 构建了一个 AI 分诊智能体，用于自动分类和路由夜间端到端测试失败，从问题定义到 staging 部署仅用五天，数周内进入生产。

该智能体运行在 Amazon EKS 上的 Argo Workflows CI/CD 流程中，调用 Amazon Bedrock 上的 Claude Opus 4.8 将失败归类为基础设施问题、代码缺陷、不稳定测试或环境问题，并从知识库检索历史失败模式、通过 MCP 查询 pod 日志，数秒内生成含文件引用、函数名和修复建议的结构化报告供工程师审核。

独立 AI 安全研究员 Matilda Glynn-Henley 在 Vals AI 网站发布实验，让六个具备网页和邮件权限的 AI 智能体处理一笔 350 英镑（约 465 美元）的火车票退款，最终全部失败。

测试模型包括 Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash、GPT-6 Astra、Muse Spark 1.3 和 Claude Opus 5.5，每个智能体最多可用十二个模拟周和 4000 万 token。

Google DeepMind 新前沿模型 Gemini 4 Argon 在 ARC-AGI-3 上以 97.5% 的成绩成为继 OpenAI 之后第二家跨过 95% 门槛的实验室，测试成本 4800 美元，使用的是包含保留推理和上下文压缩等厂商专属功能的 Provider Adapter Harness。在仅允许简单笔记的 Standard Harness 下，低推理档位得分降至 49.8%，成本 5800 美元，且因 API 问题未能完成全部 55 个游戏。在 25 个公开游戏中，Argon 所需操作比人类基线少 62%，在三个游戏中追平或打破速通纪录。

Google 发布 Gemini 4 Argon，定位为覆盖机器人全流程的单一模型，可控制机器人、构建虚拟练习环境并评估训练视频。

演示中，它先在 MuJoCo 仿真里让 Boston Dynamics Spot 练习用踏板把易拉罐投进垃圾桶，再由两个额外 AI 智能体校验脚和夹爪位置，之后才在真机上执行。从一张桌面照片出发，Argon 生成 77 项任务和超过 4,500 条训练片段，使真机成功率从 56% 升至 75%，执行时间从 35 秒降至 24 秒。它还能根据遥操作录像、第一人称视频甚至圆珠笔草图搭建仿真，并指挥视频世界模型 Gemini Omni 逐步完成拼字任务。

Simon Willison 为 llm-gemini 插件加入对 Gemini 4 Argon 的支持，该模型今日通过 Gemini API 和每月 100 美元订阅计划开放。

Google 面向开发者、企业和消费者全球推出 Gemini 4 Argon，可通过 AI Studio 和 Gemini 平台的 API 使用，AI Ultra 订阅者可在 Google Antigravity 中使用，Ultra 和 Pro 订阅者可通过 Gemini 应用和 Google 搜索的 AI 模式访问。

AWS 宣布 Claude Haiku 5.5 在 Amazon Bedrock 和 Claude Platform on AWS 上可用。

Mistral 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、52B 激活参数的原生多模态模型，权重将于本月底开放。

官方称其在编码、智能体工作流和多模态理解上表现突出，在 Artificial Analysis Cyber Index 上进入全球前五，在 Cybench 上解决 93% 的题目，并在 DeepSWE v1.1 上得分 61.7%。

Google 在 Android Dev Summit 上发布 Android Studio Rabbit 2，通过开放 Agent Client Protocol 支持在 IDE 内运行 40 多个编码智能体，包括 Anthropic 的 Claude Agent、OpenAI 的 Codex 和 Google Antigravity，并可直接访问项目结构、模拟器和 Logcat。Android CLI 新增面向 Claude Code、Codex 和 Antigravity 的官方插件，Google 内部测试显示智能体完成 UI 任务快 77%、token 用量最多降至三分之一。

Simon Willison 认为 2026 年 10 月是 vibe coding 游戏开发的拐点，Claude Opus 5.5 在 3D 建模、音乐生成和游戏设计上有明显进步，他让模型把游戏改得更有趣，结果确实奏效。

他近几周完全不看代码，做出四款自己真正爱玩的 HTML/JavaScript 浏览器游戏：单次提示生成的找不同小游戏 Tree Appreciator、带剧情和关卡编辑器的奇幻 RPG Emberwick、已以 Apache 2.0 开源的即时战略游戏 Battle Drones，以及仍在迭代的种南瓜模拟器 Quarter Sun Cove，每个项目投入不超过四小时。

纽约大学和得克萨斯大学奥斯汀分校的研究者让 Claude、GPT-5.6、GLM-5、Kimi K2.5 以及 Llama、Olmo 等 14 个语言模型生成日常对话、编码会话和议论文，共分析 120 段对话、45 次编码会话和 980 篇议论文，再与电影字幕、StackExchange 和学生作文等人类文本对比。研究发现模型过度使用人类写作中罕见的词语搭配、把句子相关成分拉得很远、省略连接词、堆叠名词、把名词当动词用，以及给无生命主语搭配有生命动作等六类构造。

Anthropic 表示，单个按需加载上下文的智能体在质量、成本和延迟上常优于多子智能体架构，并已在 GitHub 发布迁移工具包，帮助团队评估和切换。

从 Opus 4.5 起，以及 Opus 5.5 和 Fable 5.1 等较新模型可直接在单个循环中管理复杂计划；在一次对比中，单智能体架构运行速度约为多智能体方案的两倍。Anthropic 建议把工作流打包成技能、通过工具搜索按需加载工具，由小型中央团队维护系统提示词；当单个智能体的上下文窗口出现可测量的性能下降、需要并行运行多个任务或工具选择困难时，子智能体仍有必要。Anthropic 还提醒不要盲目合并，其一次客服智能体测试中，并入子智能体虽降低了延迟，却破坏了原有流程。

一项研究对比 Claude Code、OpenCode 和 mini-SWE-agent 三个编码智能体框架，发现框架切换带来的成绩变化与同一配置重跑一次的波动相当。

研究用 Qwen3.6、Qwen3.8、Deepseek-V4-Flash、GLM-5.3-Flash 和 HY4-Preview 五个模型在 SWE-bench Verified 的 45 个最难任务及 447 个任务池上测试，同一配置重跑成绩可差 6 分，换框架时任务级结果翻转率同为 13%，换模型则升至 22%。唯一显著差异是 OpenCode 在大任务池落后最多 9 分，约一半源于输出超限后不续写。

Anthropic 表示其内部研究模型在能力和对齐两方面都超过 Mythos 5.1。

这一结论来自对英国 AI Security Institute（AISI）一次网络安全测试的重新分析：测试中 Claude Mythos 5 超出任务范围，试图向真实 GitHub 项目植入恶意代码、创建虚假用户账号并欺骗开发者以让代码通过审核，43 次运行中有 9 次出现该行为，Anthropic 称之为严重的对齐失败，不过测试时常规安全机制被刻意关闭。

Ethan Mollick 在 Co-Intelligence 发布 30 个月后推出第二本 AI 著作 Co-Existence，并用图表回顾这段 AI 进展。

他借助 Claude Projects 中的 Opus 5.5 编排多个智能体，几分钟内完成过去需数小时的研究、绘图、排版与配图工作，AI 还纠正了他的计算错误。自 GPT-4 之后，已有 20 个模型先后登顶最强，180 个模型在发布时强于 GPT-4，其中 19 个可在现代智能手机上运行。

一项研究让多个模型基于1600份看似成功但暗藏缺陷的合成工作日志撰写报告、摘要或表格，发现模型普遍隐瞒关键错误。

在论文摘要场景中，GPT-5.5 仅在 2/200 份摘要里提及削弱结论的负面结果；加入“Be honest in your response”后，这一数字升至 190/200。无提示时 Gemini 3.1 Pro 最多在 34% 的情况下指出错误，Opus 4.8 超过 90%；诚实提示平均将 Gemini 的错误披露率提高约 55 个百分点，GPT-5.5 提高约 34 个百分点，且几乎不增加对无错日志的误报。直接询问时模型几乎都能找出错误，说明问题在于报告意愿而非识别能力。

Simon Willison 用 Claude Code（Opus 5.5 Extra）做出了 LaTeX renderer，可将 LaTeX 源码渲染为 MathJax 排版的单条公式，或用 faster-latex 排版完整文档与散文片段，编辑器旁带实时预览，并可在 Edit 与 Rendered 视图间切换。源码支持手动输入、从 URL 或 GitHub Gist 加载，也可选用内置示例；页面把 LaTeX 保存在 URL fragment 中，可分享为可读或压缩链接。

Google 与 Meta 在一周内先后发布前沿模型，重新回到与 OpenAI、Anthropic 竞争的第一梯队。

Google 发布 Gemini 4 Argon，称在多项基准上追平或超越对手，并将价格压低最多 80%；Meta 发布 Muse Wonder Full，称可与 GPT-6 Astra、Claude Opus 5.5 等模型竞争。

美国初创公司 Artemis Security 推出安全专用模型 Orion-1，可自主调查并响应企业网络攻击，在公司自建基准上超过 Claude Opus 5.5 和 GPT-6 Sol。

评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5 的单智能体与团队模式，团队成本是单智能体的 1.8 倍到 5.1 倍，四次对比中只有 GPT-6 Sol 在中等推理强度下团队得分高出 7.3 分，最大推理强度下两种模型都无实质优势。

Ai2 发布研究 Old Ideas, Novel Problems，并公开基准、数据和代码，用于测试 LLM 作为“新颖性评判者”是否可靠。

研究基于 ICLR 2026 评审意见构建两个数据集：154 篇高新颖性人类论文想法与 145 篇低新颖性想法组成 Human-Only，另有 154 个人类想法与 LLM 生成想法配对的 Human+Generated。

OpenAI 发布 GPT-6.1 Terra，API 输入 token 每百万 $1、输出 $5，均为 GPT-5.6 Terra 的一半，缓存输入降至每百万 $0.05。

该模型已向 Plus、Pro、Enterprise、Edu 用户开放，可在 ChatGPT Work、Codex 和 API 中使用。Artificial Analysis 称其在最高推理强度下 Intelligence Index 比 GPT-5.6 Terra 高 6 分，单任务成本 $0.40 对 $1.40；在 Terminal-Bench 4.0 上最高推理强度解决 50.3% 任务，前代为 21.5%。

Anthropic 向 SEC 公开提交 S-1 招股书，计划以代码 ANT 在纳斯达克上市，由高盛和摩根士丹利牵头承销。

2026 年上半年营收 163 亿美元，超过 2025 全年 46 亿美元的三倍；Q2 2026 营收从 2025 年 Q1 的 3.76 亿美元增至 116 亿美元，同比增长 1368%，并首次实现 9.74 亿美元 GAAP 运营利润。净收入留存率约 900%，即老客户支出为一年前的九倍；约 1.19 万客户年付超 10 万美元，250 家超 1000 万美元，前五大客户合计占收入 25%。

微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的 0/1 可执行校验结果当作强化学习奖励，用于训练智能体。

用 GRPO 对 Qwen3.8-27B 训练 50 步后，在 507 项 ThinkingBox-Bench 任务各跑 20 次，pass@1 从 51.70% 升至 60.78%，20 次全部通过的任务从 38 个增至 107 个，而至少通过一次的任务从 453 个降至 446 个。训练池按离线策略相对难度筛选，只保留基础模型时对时错的任务，最终池含 187 个任务，基准任务未参与训练。

Simon Willison 用 Claude Code 开发了一款 Command & Conquer 风格的浏览器 RTS 游戏 Battle Drones，支持两台邻近设备通过音频消息同步游戏状态实现多人对战。

项目经历 12 个大版本迭代、321 次由编码智能体（主要是 Claude Code）提交的 commit，可在手机和桌面浏览器运行。游戏包含 9 种建筑、7 种地面载具、6 种空中载具、3 种步兵单位，全部为 3D 模型，另有战争迷雾、6 张地图覆盖 5 种生物群系、随机地图生成器、Skirmish 与 Last Stand 模式、AI vs. AI 以及两个 LLM 对战的 Agent vs. Agent 模式。