搜索“Claude Sonnet 5”

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 发布 Claude Haiku 5.5，这是 Haiku 系列约一年来的首次更新，定价与 OpenAI 的 GPT-6 Luna 持平，同日还下调了 Sonnet 5.5 与订阅方案价格。

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。

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。

Amazon Bedrock 现已在 bedrock-runtime 和 bedrock-mantle 两个端点上，为所有可用的 Anthropic Claude 模型支持结构化输出，可直接返回符合所定义 JSON schema 的响应，无需自定义解析、重试逻辑或后处理。

该功能通过约束解码在生成 token 时强制执行 schema，提供 JSON Schema 输出格式和严格工具调用两种机制，可用于数据抽取、智能体工具调用和批量分类。首次使用新 schema 需编译语法产物，编译结果按账号缓存 24 小时；schema 结构变更会使缓存失效。该功能已正式可用，支持批量推理，在 bedrock-runtime 上还支持跨区域推理。

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。

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%。

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。

IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve：它用 GPT-4.1 分析智能体在训练任务上的成功与失败轨迹，蒸馏出简短行为规则并追加到系统提示词，不更新模型权重。

在 τ²-bench 客服基准上，使用 stock ReAct 脚手架的 GPT-4.1 智能体在零售域 Pass^4 从 57.5% 升至 67.5%，平均准确率从 78.1% 升至 82.5%；航空域 Pass^4 从 35.0% 升至 45.0%。

Meta 发布前沿模型 Muse Wonder 的两个版本，Muse Wonder Full 在 Artificial Analysis Intelligence Index v4.3 上得 56 分，Muse Wonder 得 52 分，前代 Muse Spark 1.3 为 48 分。

Amazon Bedrock 新增按 IAM 主体粒度的成本归因能力，推理费用会自动记到发起调用的 IAM 用户、角色、联邦身份或 API key 上，调用方 ARN 写入 AWS Cost and Usage Report（CUR）2.0 的 line_item_iam_principal 列，无需自建基础设施。

Exowatt 借助 Amazon SageMaker AI 的无服务器模型定制，为边缘告警分诊和云端能源市场分析构建了可复用的微调流水线，模型精度超过前沿模型，成本最高降低 49 倍。

该方案先基于 Qwen3-1.7B 做边缘告警分诊，再以同样方法对 Qwen3-14B 做云端能源市场分析，微调采用 LoRA 与 SFT。流水线串联 S3、SageMaker 无服务器微调与评估、Model Registry、Bedrock Custom Model Import 及 Lambda 与 EventBridge，无需管理实例、集群或端点。

AWS 发布教程，介绍用 AWS Agent Registry 让智能体在运行时按语义搜索发现 MCP 服务器和 A2A 智能体，再动态构建客户端执行请求。

Registry 记录包含可搜索描述和协议描述符，但不返回调用凭证，认证需通过 Cognito OAuth 或 boto3 签名另行获取；只有完成审批流程的记录才会出现在可发现数据面。示例部署订单管理 MCP 服务器、两个 A2A 智能体和编排器，演示仅 MCP、MCP 加 A2A、以及工具名不含“退货退款”但靠描述语义匹配三种场景。作者指出小规模稳定目录或固定流水线仍适合构建期硬编码，搜索质量取决于描述与查询设计。

本系列第三篇用 Strategy Mosaic 作为语义层，在 Amazon Redshift 与 Amazon Aurora 上以两个链接模型建模 Customer 360 域，无需 ETL，并通过 MCP 端点让托管在 Amazon Bedrock AgentCore 上的 Strands 智能体访问。

基于 Amazon Bedrock AgentCore 构建的 AI 智能体系统可自动生成 PowerPoint 演示文稿，内部测试中完成一份仅需不到 90 秒。

GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。

微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，它让智能体在隔离的 MCP 工具会话中运行，再根据终端后端状态和副作用而非生成文本打分，并让每个任务重复 20 次。

GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主模糊测试流水线，只需指向一个 GitHub 仓库，它就会识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness，最后对每个崩溃做去重与漏洞报告。