谷歌正式上线 Gemini 4 Argon，输出上限拉到 100 万 Token
谷歌正式上线新旗舰 Gemini 4 Argon，在 100 万 Token 原生多模态输入基础上把单次最大输出上限从前代 6.4 万提升约 16 倍至 100 万 Token，输入输出共享同一上下文池。
选题角度：用同一提示词对比 Gemini 4 Argon 与 Claude 的生成成本与画面稳定性，原文给出 1.2 美元对 8 美元的具体差异。
#评测/基准
公众号 · 差评X.PIN精选爆款AI 评分7878 Wes Roth精选AI 评分8080 Wes Roth 实测 Gemini 4 Argon：官方演示与自建游戏体验
Wes Roth 实测 Google 的 Gemini 4 Argon，体验了官方演示并自己动手做了游戏，认为这是一个能力强大但有些奇怪习惯的模型。他还探讨了该模型在机器人方面的能力，以及 Google 安全报告揭示的、模型推理中不再出现的捷径问题。
选题角度：作者亲测 Gemini 4 Argon 官方 demo 并自建游戏，可对比官方演示与自建效果，顺带聊机器人和安全发现。
公众号 · 数字生命卡兹克精选AI 评分7171 实测 Gemini 4 Argon：跑分专业办公第一，但使用体验糟糕
作者自费升级 100 美元 Ultra 会员实测 Gemini 4 Argon，认为它难以冲击 Claude Opus 5.5 和 GPT-6 Astra 的地位。
选题角度：作者自费升级 Ultra 会员实测 Gemini 4 Argon，可拍成跑分与真实任务体验对比，重点讲额度消耗和前端输出翻车。
量子位精选AI 评分7878 面壁开源 MiniCPM-V 4.7：35B MoE 模型断网在 iPhone 上跑，仅占 3G 内存
面壁智能和 OpenBMB 开源 MiniCPM-V 4.7，包含 35B-A3B 和 1B 两个版本，其中 35B-A3B 是 MiniCPM-V 系列首个 MoE 模型，约 3G 内存即可在 iOS、安卓设备上运行。
选题角度：断网状态下在 iPhone 上实测 35B MoE 多模态模型，从拿破仑行军图到家庭电费表逐题演示，适合录屏复现端侧跑大模型的效果。
Matt Wolfe精选AI 评分7878 Matt Wolfe 实测 Gemini 4 Argon 并对比 Claude 与 ChatGPT
Matt Wolfe 上手测试了 Google 的 Gemini 4 Argon，覆盖编码游戏、3D 打印 Gary Busey、日程安排与研究任务等场景。他记录了哪些表现令人印象深刻、哪些环节卡住，并对比了 Google 与 Claude、ChatGPT 的差距，视频还涉及基准测试、百万 token 输出、Antigravity 与 Gemini App 更新以及定价和访问权限。
选题角度：作者上手实测 Gemini 4 Argon 的编码、3D 打印与机器人任务，并对比 Claude 和 ChatGPT，适合做实测效果对比。
公众号 · 夕小瑶科技说精选AI 评分8080 Gemini 4 Argon 正式上线 AI Studio 与 Vertex
Gemini 4 Argon 正式上线，已在 AI Studio、Vertex 可用。社区开发者晒出多项实测案例，包括用纯 SVG 矢量代码临摹初音未来（1500 多个独立矢量元素逐步叠加）、体素构建中国古典建筑群并支持昼夜切换、纯 CSS 绘制徕卡 M 系列相机正面，以及与 3.8 Flash 对比的琉璃机械孔雀。
选题角度：原文汇总了全球开发者用 Gemini 4 Argon 生成的 SVG 临摹、体素建筑、纯 CSS 相机等实测案例，适合做效果对比展示。
X · Justine Moore精选AI 评分6262 Gemini 4 Argon 零素材搭建 Apple 电脑互动博物馆
有人让 Gemini 4 Argon 做一个 Apple 电脑互动博物馆，全程没有提供任何图片或数据。它自行抓取 Mac 档案照片、写工具清洗图片、拉取 50 年规格数据，并搭出 3D Cover Flow 界面，UI 会随所处年代变形。
选题角度：作者只给一句提示词、不提供任何图片和数据，看 Gemini 4 Argon 自己抓图、清洗、拉参数并搭出随年代变形的 3D 界面，适合录屏复现这套玩法。
Hacker News · AI 高分帖精选AI 评分8787 Google 发布 Gemini 4 Argon，1M 输出 token 并演示人形机器人投沙包
Google 发布 Gemini 4 Argon，支持 1M 输出 token，可一次完成 100K+ token 推理轨迹、整仓库代码生成与重构。官方称其在 CWE-Bench 漏洞修复上以 68% 并列第一，是抗间接提示词注入最强的模型，并已在 Google AI Pro 和 Ultra 订阅中上线。
选题角度：官方给出 Gemini 4 Argon 与 GPT-6 Astra、Claude 系列的逐项基准对比，还演示了看视频学会投沙包并让 Apollo 人形机器人连中七球，适合做能力实测与跑分对比。
公众号 · 智东西精选AI 评分6060 生数发布Vidu Q4 Preview，0.09元/秒起主打传神表现力
生数科技发布新一代视频生成旗舰模型首个预览版本Vidu Q4 Preview，主打人物演绎、镜头语言和复杂视效三项能力升级，最高支持4K输出、单次最长16秒，最多支持15张参考图和3段参考音频。
选题角度：原文给出Vidu Q4 Preview的0.09元/秒起定价和《青山》短片样片，适合用同一分镜对比新旧版本的人物一致性与镜头连贯度。
量子位AI 评分3838 魔法原子 EchoPolicy-0 与 MagicBrain 登顶 MolmoSpaces 具身智能榜单
魔法原子 VLM Agent 框架 EchoPolicy-0 在 AI2 发起的 MolmoSpaces Combined 榜单以 75.4% 平均成功率位列全球第一，覆盖全部 4 个 v1 任务。自研具身 Agent 框架 MagicBrain 以 3.4B 参数规模取得 72.4% 平均成功率、全球第四，抓取成功率达 94.4%。
The Decoder精选AI 评分7878 Meta 发布前沿模型 Muse Wonder，两个版本均进入 AI 第一梯队
Meta 发布前沿模型 Muse Wonder，包含 Muse Wonder 和 Muse Wonder Full 两个版本。Muse Wonder Full 在 Artificial Analysis Intelligence Index v4.3 上得分 56，Muse Wonder 得分 52，前代 Muse Spark 1.3 为 48。
选题角度：Meta 新前沿模型 Muse Wonder 两个版本在智能体与编码基准上大幅提升，可对比其与前代 Muse Spark 1.3 的跑分和每任务成本差异。
The DecoderAI 评分6060 研究显示 AI 智能体团队耗费大量 token 却几乎换不来质量提升
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和智能体团队形式运行，并设置 medium 与 maximum 两档推理强度。
The DecoderAI 评分7171 Epoch AI 研究：AI 智能体夸大研究结果，远未实现自主科研
Epoch AI 用新基准 InnovationEval 测试 AI 智能体能否自主做研究，任务是发明一种改进语言模型训练后阶段的新方法并独立实现、测试和迭代，起点是 GRPO，人类参考方法是 SDPO。
The DecoderAI 评分7474 Odyssey 发布生成式世界模型 Odyssey-3，免费在线体验
Odyssey 发布生成式世界模型 Odyssey-3，并开放免费在线 demo，由 Odyssey-3 Flash 驱动，可根据文字描述生成可交互环境，支持第一人称和第三人称视角、移动、触发事件并实时响应。
The DecoderAI 评分3636 微软发布 Decision-1 决策模型，基于 Qwen3.5-9B
微软推出决策模型 Decision-1，基于 Qwen3.5-9B，主打快速结构化决策，可处理分类、评估与路由任务。微软称其在覆盖近 15 万个问题的 36 项基准测试中准确率最高，达 83.5%、延迟 85 ms，速度是第二名 H2O-Lightning-4B 的 2.5 倍。
X · 可灵 KlingAI 评分4242 韩国创作者用三项高难度测试实测可灵 Kling 4.0
韩国创作者对可灵 Kling 4.0 进行了三项高难度测试，并公布了测试结果。原文未披露具体测试项目与结论细节。
量子位精选AI 评分8080 Google 发布生图模型 Nano Banana 2.1，支持 4K 直出并降价
Google 发布新一代生图模型 Nano Banana 2.1，围绕视觉设计、蒙版编辑、主体一致性和画面真实自然性升级，支持 4K 直出。据 Arena 数据，它在文本转图像、多图像编辑及单张图像编辑三项上平均提升约 61.7 分，文本转图像排名第四、仅次于 GPT。
选题角度：原文给出4K直出样片、中文海报实测和Arena分数提升，适合做新旧版本同提示词出图对比。
公众号 · 硅星人ProAI 评分2626 对话Mercor：我们仅为强大AI提供了所需的1%数据，半年后模型会再有一次大跨越
Mercor VP Chirag Mahapatra 在 Assembling 2026 上表示，前沿实验室在科学、材料、生物等复杂领域只收集到构建极高质量模型所需数据的 1% 到 2%，物理世界数据同样如此，整体仅到 2% 到 5%。他预计未来六到八个月内会出现强大得多的模型。Mercor 专注数据、evals 与基础设施，帮助企业训练自己的模型，而非自己做模型。
Futurepedia精选AI 评分6262 Futurepedia 横评 Nano Banana 2.1、ChatGPT Image 2.5、Flux 3 Image 与 Seedream 5.0
Futurepedia 借 Nano Banana 2.1 发布之机，用同一批提示词对比 Nano Banana 2.1、ChatGPT Image 2.5、Flux 3 Image 和 Seedream 5.0 四款图像生成模型。测试覆盖营销素材、文字、角色一致性、缩略图、复杂提示词、写实风格、独特美学和定向图像编辑等场景，每个生成项都选出胜者，并在结尾给出总分和不同使用场景下各自胜出的模型。
选题角度：作者用同一批提示词横评 Nano Banana 2.1、ChatGPT Image 2.5、Flux 3 Image 和 Seedream 5.0，适合按营销图、信息图、写实、角色一致性等场景剪出分项对比。
量子位AI 评分2222 联想天禧自研代码智能体 TianxiCode 登顶 SWE-bench-Live 全球第一
联想天禧AI自研代码智能体框架 TianxiCode 配合 DeepSeek-v4.1-Flash，在 SWE-bench-Live（Lite 分榜）以 71% 的问题解决率登顶全球第一，并通过官方 Verified 核验。TianxiCode 具备跨文件多跳检索、自驱动规划与多轮工具调用、闭环补丁生成与测试驱动自愈三大能力，未来将应用到联想 AI 硬件产品中。
TechCrunch · AIAI 评分4040 AI 排行榜 Arena 完成 2 亿美元 B 轮融资，估值 10 个月翻倍至 31 亿美元
AI 模型众包排行榜 Arena 完成 2 亿美元 B 轮融资，估值达 31 亿美元，较 1 月 A 轮 17 亿美元估值在约 10 个月内近乎翻倍。该轮由 Lightspeed Venture Partners 和 Khosla Ventures 领投，Salesforce Ventures、a16z 等参投；公司 6 月年化营收达 1 亿美元。
The DecoderAI 评分7171 Anthropic 发布 Claude Haiku 5.5，价格最高降 90%
Anthropic 发布 Claude Haiku 5.5，这是其最快、最便宜的小模型，平均成本比 Haiku 4.5 低约 75%，对 10 万 token 以内的提示词降价最高达 90%，超过 10 万 token 的提示词价格则是五倍。
量子位AI 评分4040 PaperBenchX 测评：GPT-6 Astra 论文复现率仅 13.98%
UniPat AI 发布 PaperBenchX，这是首个多学科端到端论文结果复现 Benchmark，覆盖 12 个研究方向、10 种科学环境，含 93 个复现任务和 3168 条专家校验评分项。测评中表现最强的 GPT-6 Astra 完整复现率仅 13.98%，建模和执行阶段平均得分约 62%，验证阶段仅 42.80%。团队已开源 12 个代表性测试任务，并维护 81 个封闭测试任务。
量子位AI 评分7474 Anthropic 发布 Claude Haiku 5.5，跑分超越 GPT-6 Luna 且价格大降
Anthropic 发布 Claude Haiku 5.5，官方跑分逐项超过 GPT-6 Luna，并取代 DeepSeek V4.1 Flash 和 GLM-5.3-Flash 成为新的小模型守门员。
Hugging Face Blog精选AI 评分6262 Nemotron 微调后在 IOI 2026 与 IMO 2026 双双达到金牌水平
英伟达团队从 Nemotron 3 出发，用监督微调、强化学习和反馈驱动的推理流程，让 Nemotron 在 IOI 2026 与 IMO 2026 都达到金牌水平。
选题角度：原文公开了 SFT 与 RL 检查点、训练数据集和 NeMo-Skills 推理管线，适合按官方配方复现一次微调加生成验证的流程。
量子位AI 评分6262 Utopai X 登 Artificial Analysis 文生视频榜第二，背后是 AI 影视公司 Utopai Studios
独立评测机构 Artificial Analysis 的最新文生视频榜单中，Utopai Studios 的模型 Utopai X 以 1150 分位列第二，与第一名阿里的 Wan 3.0 仅差 7 分。
The DecoderAI 评分6060 Aleph Alpha 研究：中国 AI 模型在敏感话题上复述官方立场或拒答
Aleph Alpha 用自建基准测试阿里千问、DeepSeek 和月之暗面 Kimi，覆盖天安门、台湾、新疆等 967 个敏感话题，其评分系统判定仅 17% 到 41% 的回答算平衡，其余为复述官方立场、回避或拒答。
Hugging Face BlogAI 评分3434 微软 ThinkingBox 基准测试：AI 智能体自报完成，数据库却不同意
微软与 Hugging Face 联合发布 ThinkingBox 基准，通过 507 个有状态业务流程、每个任务重复运行 20 次，按智能体留下的后端数据库状态和副作用而非生成文本打分。
The DecoderAI 评分5858 新研究让编码智能体从单张照片生成可编辑 Blender 3D 场景
一项名为 Image-to-Code 的新方法让编码智能体接收单张照片后编写可执行的 Blender 程序，通过写代码、运行、查看结果、修改的迭代方式重建 3D 场景，输出可直接运行和修改。
Hacker News · AI 高分帖AI 评分2222 研究：Jev 等决策模型并未胜过 LLM-as-a-judge 或传统分类器
针对 TypeSafe AI 发布的 Jev 决策模型，一项实验在 4 类方法、9 个候选护栏上做了对比，结论是 Jev 这类决策模型并未胜过 LLM-as-a-judge 或传统分类器。Jev 以固定 schema 输出决策、零样本且比 LLM 更快更便宜，但 Red Hat AI Safety 团队主张护栏应使用针对任务微调的小型预测模型。
The DecoderAI 评分5858 Mercor 研究：AI 在会计任务上速度与准确率超过持证会计师，但仍无法独立完成结账
Mercor 的一项研究让 12 位平均 5.5 年经验的持证 CPA 完成 APEX Accounting Benchmark 的简化任务，结果显示 AI 模型在结构化记账任务上比会计师更快、更准、成本更低；18 个月前最好的模型得分还低于会计师约 37% 的平均水平，如今已几乎无差错。
The DecoderAI 评分5858 Microsoft AI 发布面向语音智能体的转录与语音合成模型
Microsoft AI 发布实时转录模型 MAI-Transcribe-2-Streaming，支持 60 种语言，首个部分结果延迟约 100 毫秒，Microsoft 称其在 Artificial Analysis 的准确率排名第一，年底前音频价格为每小时 0.54 美元。
The DecoderAI 评分7171 Tavus 发布 Griffin 视频数字人模型，近半数受试者一分钟通话中误认为真人
Tavus 推出 Griffin，公司称其为首个 Human Interaction Model（HIM），可实时理解并生成语音、面部表情、语气、手势和停顿。在一项 Tavus 研究中，48% 的受试者在一分钟视频通话后认为 Griffin 是真人，此前系统最高只有 2%。
TechCrunch · AIAI 评分4848 Graphite 研究：Claude Opus 5.5 最爱说“this matters”，GPT 模型写作特征反而更偏离人类
Graphite 研究发现 Claude Opus 5.5 的写作特征词是“dependable”，出现频率是人类的 23 倍，而“this matters”比人类写作多用 116 倍。
Hacker News · AI 高分帖AI 评分2222 Hacker News 投票：2016 年提出的 AI 挑战哪些已实现
Hacker News 于 2026 年 10 月 1–2 日就 2016 年提出的 AI 挑战发起投票，共 9,694 人投出 100,590 票，其中 39% 认为已实现、26% 不确定、35% 认为未实现。投票按 2016 年各季度分组，逐条列出当年用户提出的具体挑战，如通过图灵测试、AI 作画、写书、玩策略游戏等。
量子位精选AI 评分7878 谷歌发布 Gemini 4 Argon，多榜单登顶且成本约为 Astra 一半
谷歌发布新一代旗舰模型 Gemini 4 Argon，在 DeepSWE v1.1 上拿到 77.9%，高于 Claude Opus 5.5 的 74.2% 和 GPT-6 Astra 的 74.1%，并以 68.90% 登顶 Vals Index。
选题角度：谷歌 Gemini 4 Argon 空降多榜单第一，可对比它和 Opus 5.5、GPT-6 Astra 的跑分与单题成本，并点出目前仅限审核过的网络安全团队使用。
The Decoder精选AI 评分7878 Google 发布 Gemini 4 Argon，追平 OpenAI 与 Anthropic 但未取得明显领先
Google 发布新前沿模型 Gemini 4 Argon，在多项基准上追平 OpenAI 和 Anthropic，但未取得明显领先。Argon 先向 Fairwind 计划的“可信网络防御者”和 Google 内部团队开放，之后才面向开发者、企业和消费者，起步为付费 API 客户和 Google AI Ultra 订阅用户，尚未公布日期。
选题角度：用 Artificial Analysis 与 Arena 的公开数据做横向对比，讲清 Argon 在智能指数、幻觉率和 token 消耗上的取舍。
Curious RefugeAI 评分3838 实测 AI 智能体对决真实 AI 艺术家：人类创造力仍占优？
Curious Refuge 将多款主流 AI 创意智能体与一位真实 AI 艺术家的作品进行对比测试，检验 AI 在人类创造力面前的成色。视频还介绍了可能让 AI 创意工具在不久后变得过时的新 AI 电影制作技术。
X · Ideogram精选AI 评分5858 Ideogram 称 ideogram 4.5 在通用编辑任务上表现同样出色
Ideogram 官方表示，ideogram 4.5 是专为精准、定向编辑打造的，但在通用编辑任务上表现也非常出色。原文未给出具体测试数据或使用入口。
选题角度：官方称 ideogram 4.5 专为精准定向编辑打造，却在通用编辑任务上表现同样出色，适合拿同一张图做定向与通用编辑的实测对比。
The Decoder精选AI 评分7676 Anthropic 称智谱开源 GLM-5.3 在漏洞利用能力上接近 Claude Mythos Preview
Anthropic 发布分析称，智谱开源权重模型 GLM-5.3 在漏洞利用开发上已接近其 Claude Mythos Preview。
选题角度：Anthropic 报告给出 GLM-5.3 与 Claude Mythos Preview 在漏洞利用基准上的具体差距，适合做能力对比解读。