AI 编程实时动态与要闻

Artificial Analysis 11 月 14 日发布编码智能体指数 v2.1：把 FrontierCode 从 1.1 换成 Cognition 的 FrontierCode 2.0（132 个真实任务，按维护者是否愿意合并评分），Terminal-Bench 从 4.0 升到 4.1，保留 SWE-Atlas-QnA-AA。Claude Code + Claude Fable 5.2（xhigh/high）和 Claude Opus 5.5（max）并列 58 分居首；因新版 FrontierCode 更难，各配置平均降 5 分，只有 Codex + GPT-6.1 Terra（max）基本没掉分。

查看大图

Artificial Analysis 11 月 13 日公布，Speechify 的语音合成模型 Simba 3.5 在 Controlled Voice Arena 排名第一，与 HeyGen Voice 统计持平。该榜所有模型都用同一组 8 个克隆声音（4 个美音、4 个英音）朗读，用户盲听投票，比的是模型本身而非演示音色。榜单显示 Simba 3.5 为 1192±17 Elo（1,783 个样本），HeyGen Voice 1190±13，Qwen-Audio-3.1-TTS-Plus 1176 居第三；Simba 3.5 API 价每百万字符 6.58 美元，HeyGen Voice 为 30 美元。

查看大图

Artificial Analysis 11 月 13 日发布 Diarization Index，专门衡量语音转文字 API 能否把每个词归到真正说话的人：指标是 WDER（被分给错误说话人或无人说话的词占比），测试集为 97 段 2–8 人英文对话，按 2 人、3–4 人、5–8 人三档等权平均。NVIDIA 开源权重的 Nemotron 3.5 Transcribe 以 3.3% 居首，Voxtral Small Transcribe 3 以 7.5% 排第二，也是有标价 API 里最准的；MAI-Transcribe-2 为 8.8%，速度最快之一。

查看大图

独立评测机构 Artificial Analysis 11 月 13 日公布腾讯混元 Hy4 在其网络安全指数（Cyber Index）上的结果：综合 58 分，排第 3，比 DeepSeek V4.1 Flash 1017（max）高 1 分，落后于 Kimi K3.1 Pro（64）和仅限受信任访问的 GPT-6 Sol（Daybreak Blue，max，69）。在三项子测之一的 CWE-Bench-AA 上，Hy4 以 76% 的单次通过率排第 1，领先第 2 名 DeepSeek 6 到 7 个百分点。每道题平均成本 0.92 美元，平均输出 6.4 万 token，处在能力与成本的帕累托前沿上。

查看大图

新加坡时间 11 月 13 日 02:02，Google DeepMind、Google AI 和 Gemini 官方账号同时宣布 Gemini 4 Hydrogen 正式上线，Gemini API 更新日志标注为 GA，模型 ID 是 gemini-4-hydrogen。按官方口径，它在默认 high 思考档位下的 Artificial Analysis 智能指数为 51，高于 Gemini 4 Argon 的 50，新增的 xhigh 档位可到 54；完成任务的速度是 Gemini 3.8 Flash 的 2.5 倍，Terminal-Bench 4.1 得分从 18.2% 提高到 57%。价格在 100 万 token 上下文内统一为输入 1.5 美元、输出 7.5 美元（每百万 token），免费层也能用。它同时成为 Gemini 应用、Google 搜索和 Antigravity 托管智能体的默认模型。昨天站内报道过的 SKU 价目表泄露，今天由官方证实。Cursor 官方随后宣布 Hydrogen 已上线编辑器，默认努力档（high）在 CursorBench 4.0 上为 54.3%，高于 Gemini 3.8 Flash 的 39.6%。

查看大图

新加坡时间 11 月 13 日 00:30，Artificial Analysis（@ArtificialAnlys）发帖称，Salesforce 新发布的 SOV-Transcribe-1 成为开源权重语音转文字模型第一名：在 AA-WER 指数上词错误率 2.3%，在包括闭源模型在内的 44 个模型中排第 7。它比紧随其后的开源模型 Mistral Voxtral Small 和英伟达 Nemotron 3.5 Transcribe（均为 2.8%）低 0.5 个百分点。模型由 Salesforce 主权 AI（Missionforce Sovereign AI）团队开发，总参数 26.6B、激活参数 4.6B，结构是 Whisper large-v3 音频编码器加 Gemma 4 26B A4B MoE 解码器，权重以 Apache 2.0 许可发布在 Hugging Face。它是非流式模型，适合整段录音转写，不适合实时字幕。

查看大图

独立评测机构 Artificial Analysis（AA）11 月 12 日中午（新加坡时间）在官方账号发帖：Google 的 Gemini 4 Carbon 在 AA-Robotics v0.1 实验室里一共跑了 7 小时 33 分钟，过程中把机械臂「撞来撞去」，弄坏了一个夹爪，AA 给了它一次重试。帖子附 11 秒现场视频，约 2 万浏览、300 余赞、40 余条回复。讨论集中在三点：重试成绩是否该单列、通用模型连续操控真实硬件 7 个多小时意味着什么、以及物理评测里的设备损耗和安全看护成本。AA 尚未公布 Carbon 在该榜的得分。以下为评测方分享与社区讨论，不代表最终榜单。

查看大图

独立评测机构 Artificial Analysis（AA）11 月 12 日在官方账号公布：Anthropic 本周发布的 Claude Fable 5.2 在 AA-Robotics v0.1 上得分 75，成为新榜首，高于此前第一的 GPT-6 Astra（69）和 GPT-6.1 Sol（65）。这项评测让编码 Agent 通过 HTTP API 操控一台 6 轴机械臂完成 8 项桌面任务。AA 称 Fable 5.2 是第一个在「测量盒子尺寸」任务上得分的模型：它只靠摄像头视频，把场景里的卷尺当作比例尺来估算盒子尺寸。上一代 Fable 5.1 在 10 月首发榜单上只有 46.3 分。

查看大图

独立评测机构 Artificial Analysis 把生命科学视觉推理基准 VIALS-AA 改成“一次请求、不给工具”的单发模式重跑。结果显示，工具让各模型平均分从约 25% 升到约 47%。榜首 Claude Fable 5.2 (max) 带工具 67%、每题 4.20 美元，不带工具只有 44%、0.73 美元；Claude Haiku 5.5 (max) 带工具 49%、每题 0.07 美元。同日 AA 另指出：在 Claude 产品线里，升一档模型通常比把推理强度开到最大更划算。

查看大图

Google 11 月 11 日（北京时间 12 日凌晨）由 Sundar Pichai、@Google、@GoogleAIStudio 和 Logan Kilpatrick 正式宣布 Gemini Decisions API 与专用判定模型 Gemini Decision 1（gemini-decision-1）。它不逐 token 生成文字，而是一次前向计算给最多 1,000 个是否、单选（2–255 个选项）、打分题给出概率和置信度，支持文本、图片、音频、视频和 PDF，上下文 256K。官方称端到端延迟 150–250 毫秒，1 到 100 题延迟几乎不变；输入每百万 token 0.10 美元，输出不计费，在共享评测集上总成本约为 Gemini 3.5 Flash-Lite 的五分之一。官方跑分表中，它在 9 项评测里 7 项第一，7 项共享评测的 Top-1 校准误差 0.0250，低于 TypeSafe Jev 1.14 和 OpenAI 的 GPT-6 Luna。此前本站依据 API 更新日志报道时官方尚未公告，现已正式发布，此前「模型被撤下」的说法不成立。第三方 Artificial Analysis 测得其 Decision Index 为 66 分，尚未登顶。

查看大图

第三方评测机构 Artificial Analysis 11 月 11 日公布，ACE Studio 的新音乐生成模型 ACE Music v1 以 Elo 1160 首次上榜即排在 AA-Music-Vocal v1.1 第 1，领先 Suno v6（1144）和 Suno v6-mini（1132）。排名来自 AA 认证私有评审员的盲测投票。ACE Music v1 能根据文字描述或用户自己的歌词生成带人声或纯器乐的完整歌曲，AA 实测它在雷鬼/舞厅和古典/管弦乐提示上表现最好。该模型目前没有 API，只能在 ACE Music 应用里用，免费档每天 20 积分，付费档按年付最低每月 7.90 美元。

查看大图

Google DeepMind 11 月 10 日与 Artificial Analysis 联合推出 MKA（Multimodal Knowledge Agent）基准，测 Agent 能否读懂建筑图纸、工程原理图、临床影像等视觉密集文件，并交付幻灯片、表格、报告和标注图。200 个私有任务覆盖 10 个行业、83 种职业，每题约 70 条专家评分项。Artificial Analysis 首批测了 21 个模型：Claude Fable 5.2（max）Climb WSR 57% 居首，Gemini 4 Carbon（high）54%，Claude Opus 5.5（max）53%；Fable 平均每题 31.97 美元，Carbon 为 6.29 美元。另有 10 道公开题已上 Hugging Face。

查看大图

独立评测机构 Artificial Analysis 11 月 10 日公布两项新结果。在考察“让模型当 Agent 用 three.js 搭交互式 3D 网页”的 AA-3D 榜上，Claude Fable 5.2（Max）拿到 1271 Elo，比第二名 Claude Sonnet 5.5（1204）高 67 分，95% 置信区间 1246–1297 与其他模型不重叠，领先超出误差范围；比上一代 Fable 5.1（1139）高 132 分，也高于 OpenAI 最高的 GPT-6 Astra（1168）和 Google 最高的 Gemini 4 Argon（1147）。在生命科学图像推理榜 VIALS-AA 上，Fable 5.2 得 67%，超过此前领先的 Gemini 4 Carbon（64%）和 GPT-6 Astra（63%）。AA 还发现两家路线相反：Fable 每题平均约 37 次工具调用，Astra 只有约 8 次。

查看大图

北京时间 11 月 10 日凌晨，AI at Meta 官方账号发布 Muse Ember，称其是 Meta 目前最小、最高效的模型，面向 Agent 每天反复执行的工作：工具调用、编码子任务、路由、信息抽取和长文档解析。Muse Ember 支持 1M token 上下文、最多 512K 输出，原生理解文本、图像、音频和视频。定价为每百万 token 输入 0.10 美元、缓存输入 0.004 美元、输出 0.50 美元，已在 Meta Model API（模型名 muse-ember-1.0）和 Muse Code 上线。Artificial Analysis 测得其智能指数 36 分，与 Claude Haiku 5.5（max）持平，但单任务成本约 0.14 美元，只有后者的约三分之一。它是第一个用 Muse Wonder Full 训练出来的模型，权重不开放。

查看大图

11 月 8 日（北京时间 11 月 9 日早上），独立评测机构 Artificial Analysis 发布决策模型榜单 Decision Index 第二版。新版把头号指标换成同时看「答对没有」和「置信度准不准」的 Decision Score，私有数据占比从 v1 的 25% 提到 45%，新增 1,500 份私有文档的 AA-Paperclip 和测一致性的 AA-Symmetry。决策模型中 Nace AI 的 Drex Max v1.1 与 Fastino 的 GLiDE v1.2 同为 73 分，Drex Max 以小数微弱领先，Base Labs 的 Mammoth 27B 72 分。通用大模型 Claude Haiku 5.5 (Max) 77 分、GPT-6 Luna (Max) 76 分更高，但每百万任务成本分别为 6,240 和 1,530 美元，远高于 Drex Max 的 102 美元。

查看大图