Inkling 2 Small 在 ARC-AGI 基准表现
来自 @thinkymachines 的 Inkling 2 Small 在 ARC-AGI（已验证）： - ARC-AGI-2：81.7%，每任务 $0.27 - ARC-AGI-1：96.5%，每任务 $0.08 在我们评估过的所有开放权重模型中，它在 ARC-AGI-1 和 ARC-AGI-2 上均表现最佳。 Thinking Machines 计划下周发布完整权重。
全部动态
按时间排列的全部内容。默认只显示通过双重评分的入选条目；切换到“全部收录”可以检索所有抓到的资料。
179 条收录动态，更新于 23:52
全部收录包含没有通过评分的资料，标题以常规字体显示并标为“未入选”，只供检索，不写入选理由。
11月7日
星期六，3 条Artificial Analysis 推出 VIALS-AA 生命科学视觉推理榜单
Artificial Analysis 发布 VIALS-AA 榜单，评测 Handshake AI 的 VIALS 生命科学视觉推理基准，161 项任务覆盖八个领域，需解读凝胶印迹、流式细胞图、质粒图谱和系统发育树等图像并得出科学结论。
NVIDIA 开源工具如何帮助研究人员构建下一代 6G 网络
NVIDIA 开源 Aerial 无线软件一年后，其 AI Aerial 与 Sionna 软件的全球开发者采用量增长 10 倍，开源 5G/6G 工具下载量突破 100 万次，逾 8000 家研究和学术机构正在使用。
11月6日
星期五，2 条Inkling 2 Small：17A-594B 模型 68 小时、12T Token 训练完成，性能超过 Muse Spark
Thinking Machines 发布 Inkling 2 Small，这是一个 17A-594B 模型，从零预训练不到 3 天、在 12T Token 上完成训练，性能超过 Muse Spark。该模型与 Tinker、Interaction Models 等成果一同被视为 Thinking Machines 已成长为美国前沿新型实验室的标志。
Artificial Analysis 发布端点准确率指数 v1.1
Artificial Analysis 推出 Endpoint Accuracy Index v1.1，在 100+ 无服务器端点上评测模型准确率保留度，近 1/4 端点低于自托管参考部署。
11月5日
星期四，1 条Thinking Machines 发布 Inkling 2 Small：计划开放权重，暂为专有模型
Thinking Machines 发布 Inkling 2 Small，在 Artificial Analysis Intelligence Index 上得分 31，比 Inkling Small 高 18 分；按其权重发布计划，它将成为当前排名中中国以外得分最高的开放权重模型。
11月6日
星期五，1 条Thinking Machines 发布 Inkling 2 Small
推出 Inkling 2 Small。在 AA Intelligence Index 上得分 31，相较前代大幅提升。 Inkling 2 Small 今日起可在 Tinker 上进行微调和推理，完整权重发布计划于近期推出。 https://thinkingmachines.ai/news/inkling-2-small
11月5日
星期四，1 条Thinking Machines Lab 发布 Inkling 2 Small 模型，权重下周以 Apache 2.0 开放
Thinking Machines Lab 发布第二代模型 Inkling 2 Small，为 594B 总参数、17B 激活的 MoE 模型，支持图像输入与可变推理强度，先在 Tinker 上以闭权重提供推理与微调，计划下周完成外部安全测试与红队后以 Apache 2.0 开放完整权重。
11月6日
星期五，2 条Perplexity内部工作区已有1万AI队友
目前，Perplexity内部工作区里已有约1万名“队友”（过去30天内）。这已经是我们员工人数的20倍。昨天约有1000名队友处于活跃状态。未来几年，员工人数的增长和规划方式将大不相同。
引用Johnny Ho@randomjohnnyhToday we are rolling out the latest form factor for work: Perplexity teammates. Agents have reached the point where they can start to be trusted with responsibilities at work. Teammates excel at automating tasks like deep research, data analysis, QA, triaging tickets, and reviewing code, which has saved each of us internally at Perplexity hundreds of hours of menial work. Leaving us the much more interesting work of setting vision, judging quality, and teaching restraint. Agents are now rising up beyond tools and task-based sessions to take on supporting and coworking roles. Teammates proactively reach out to you, other coworkers, and other teammates in the workspace. Teammates close the loop on their own work, finishing the job instead of requiring repeated steering or manual management of sessions. Available to Max users as a research preview today.
腾讯发布 Hy4：首次支持图像理解与电脑操作，自称跻身开源模型前列
腾讯发布语言模型 Hy4，首次具备图像理解与自主操作软件能力，目前仅通过腾讯云、OpenRouter 和元宝等腾讯应用提供，权重发布日期未定。腾讯称在 200 多名金融从业者对近 600 项真实任务的评测中，Hy4 领先 Deepseek V4.1 Flash、Kimi K3.1 Pro 和 GLM-5.3 Flash；内部测试中联网研究幻觉率从近 16% 降至约 5%。
11月5日
星期四，2 条腾讯Hy4模型宣称跻身中国顶尖
腾讯声称其新Hy4模型跻身中国顶尖模型之列（彭博社）。该公司还计划很快开源该模型权重。 Hy4由Hy4-Preview扩展而来，现具备原生视觉与Deep Research能力。在独立市场图表基准测试中，Hy4表现优于DeepSeek和智谱AI。 它甚至已准备好交易A股（但建议用户自行斟酌）。
引用Tencent AI@TencentAI_NewsIntroducing Hy4. It can see now. Best view in open weights.
百度文心开源 ERNIE-5.5-Flash-Base 基座模型，总参数 280B
百度文心发布并开源 ERNIE-5.5-Flash-Base 预训练终点权重，这是一个稀疏 MoE 语言模型，总参数 280B、每 token 激活 14B，在 33.5T tokens 上从零完成预训练，微调与推理支持 1M tokens 上下文。
11月4日
星期三，3 条Incyte 与 Edison Scientific 合作开发 Kosmos TA，将靶点评估证据准备压缩至一个工作日内
Edison Scientific 与生物制药公司 Incyte 合作开发 Kosmos Target Assessment（Kosmos TA），这是其 AI Scientist 产品 Kosmos 的专用版本，用于评估药物靶点并筛选候选。
入选理由材料给出药企与 AI 公司合作定制靶点评估智能体的具体做法与内部评测结果，可供关注药物发现工作流的从业者参考。
Ai2 发布 StateBench 评估大模型状态追踪
大语言模型能否在长文本中追踪状态变化——比如一个物体几经转手，或一个变量被重新赋值？ 在我们新推出的 StateBench 评估中，包括 GPT-6 Sol 和 Claude Opus 5.5 在内的前沿模型，在最难、最长的问题上准确率降至 13% 或更低。🧵 https://github.com/allenai/state-bench
Ai2 测试开放预训练模型与前沿模型
我们测试了开放预训练模型和前沿模型，包括 Gemini 3.8 Flash、Claude Opus 5.5，以及 GPT-6 Sol 和 Luna。 前沿模型在较简单的问题上表现良好。但随着任务变难、输入变长，准确率急剧下降——在最长的通用有限问题上降至 13% 或更低。
11月3日
星期二，2 条Hugging Face 提出模型集成契约 MIC，用缩小模型在 CPU 上拦截 Transformers 回归
Hugging Face 发布 transformers-mic，一套把缩小模型、可运行用法示例和人工审核基线打包成 Model Integration Contract（MIC）的测试标准，并在 huggingface-mic 上公开契约。
SciSpace 推出早期访问 API，为每个化合物补充论文与专利证据
SciSpace 发布处于早期访问阶段的 API，在 PubChem PUG REST 返回化合物标识、分子属性和生物测定记录之外，补充论文、专利、证据提取表和带引用的报告。
11月2日
星期一，1 条NVIDIA 开源 NVIDIA Recovery，自动恢复集群分布式训练任务
NVIDIA 发布开源服务 NVIDIA Recovery，作为 DSX OS 的一部分，在集群层面自动检测训练中断、归因故障、隔离节点并重启或停止任务，代码以 Apache 2.0 许可放在 dsx-ai-factory/NVIDIA-Recovery 仓库。
11月3日
星期二，1 条Deep Principle 发布 Hydrogen-1.0：面向科学发现的 753B 开放权重模型
Deep Principle 发布 Hydrogen-1.0，这是一个面向化学、材料科学与生命科学的 753B 开放权重模型，在 Z.ai 的 GLM-5.3 基础上用领域数据、实验室记录和智能体发现轨迹后训练而成，权重以 MIT 许可在 Hugging Face 和 ModelScope 开放。
11月2日
星期一，3 条Sundar Pichai 称赞 Carbon 基准成本表现
很高兴看到带有提升空间的高质量基准，看看 Carbon 那条成本线🚀
引用SemiAnalysis@SemiAnalysis_Today we’re releasing GDPx, a benchmark for measuring agentic capabilities across the most valuable domains. GDPx is a true frontier-level benchmark: even the best model scores just 12% (1/7)🧵
Import AI 479：Realtime-Bench 评测低延迟任务、太空战报告与 Genie 4
多机构联合构建的 Realtime-Bench 用 50 个交互式游戏与网页任务评测前沿模型的实时决策能力，GPT-6 Astra（high）在真实延迟条件下通过率仅 36%，暂停时钟下高推理模型可达 70%–80%。
SemiAnalysis 推出 GDPx 基准，衡量前沿模型在芯片设计、金融、生物等领域的智能体能力
SemiAnalysis 发布 GDPx 基准，覆盖芯片设计、网络安全、生物、金融、法律、量化交易、递归自我改进、硬件设计、材料科学、对齐和软件工程等领域，最高分模型仅得 12%。
11月1日
星期日，1 条AIHOT模型榜扩至56份评测集并重排ELO
AIHOT模型榜将抓取的公开评测集从39份增至56份，按原有算法对所有模型重新进行ELO排名，并剔除未正式上线的模型（如Gemini 4 Carbon）。结果显示综合与编程第一为Claude Opus 5.5，科研与知识第一为GPT-6 Astra，办公第一为Gemini 4 Argon。
10月30日
星期五，1 条Samaya AI 发布 Sterling：3B 激活参数的金融研究智能体模型，在 FrontierFinance 上以 11 倍低成本超越 Claude Fable 5.1
Samaya AI 发布金融研究智能体模型 Samaya Sterling，基于 NVIDIA Nemotron 3.5 Lightning（30B 总参数、3B 激活的 MoE）经 LoRA 后训练而成。
10月31日
星期六，1 条Perplexity 分享 Gemini 4 Carbon 早期评测
分享 Gemini 4 Carbon 的早期评测。这是我们目前见过的在长篇幅研究和回答质量方面最强的模型，在 Wide-And-Deep-Research（WANDR）基准上取得了新的 SoTA。待我们具备足够的 token 容量后，将很快在 Computer 中向所有 Perplexity Pro 和 Max 用户推出。祝贺 @GoogleDeepMind！
10月30日
星期五，1 条OpenAI 发布 GPT-Rosalind-6 系统卡增补，面向受信客户开放生命科学模型
OpenAI 发布 GPT-Rosalind-6 系统卡增补，该模型沿用 GPT-6 Astra 的权重，未新增训练数据或额外后训练。在 GeneBench Pro v13 的 129 道生物数据定量分析题上，最高推理预算下单次尝试成功率为 37.7%，GPT-Rosalind-5.5 为 16.7%，该评测使用与生产环境不同的基准专用配置。
10月31日
星期六，3 条OpenResearch 训练 4B 决策模型
我们用 OpenResearch 在超过 117k 个决策示例上训练了一个 4B 决策模型 我们的模型在除讽刺检测外的所有领域表现几乎与 Jev 完全相同 在评估中，我们的模型能够泛化到其他未见过的任务，如仇恨言论严重程度、情绪检测和意图分类，但讽刺仍是一个常见的失败模式
Joey-1 在讽刺检测任务上表现更优
有趣的是，即便是 Joey-1（一个 2B 模型）在讽刺检测任务上也比我们的模型表现更好。 需要注意的是，Baseten 的三个模型都是在更大的数据集上训练的——621 万个样本，约为我们的 53 倍。
10月30日
星期五，1 条Artificial Analysis 推出 HLE-Diamond 榜单
Artificial Analysis 在 Intelligence Index v5 中上线 HLE-Diamond 榜单，独立评测 CAIS 与 Scale AI 经一年清洗修订的 Humanity's Last Exam 1000 题版本，其中 272 题含图像，推理与知识题各半。