AI 编程实时动态与要闻

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

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

Hugging Face 研究员 Joël Niklaus 11 月 11 日宣布，DeepSeek 开源编码 Agent DeepSeek Harness（DSH，开发者预览版 0.2.2-rc.1）已加入他维护的 Harness Leaderboard。该榜单固定模型和推理力度、只换 harness，比较 10 款编码 Agent。作者口径：DSH 在 DeepSeek-V4.1-Flash、GLM-5.3-Flash（低/高推理力度）和 Flint 共 5 组评测中都与第一名统计持平；DeepSWE 三模型平均排第 2，仅比 Nous Research 的 Hermes Agent 低 0.5 分；Terminal-Bench 排第 6。主要原因是 DSH 结束任务时会关掉自己启动的后台程序，3 道要求留着服务器给评分器检查的任务 36 次只过 2 次，每组评测因此丢 1.5–1.7 分。平均每解出一题花费 0.53 美元。这是个人维护的研究榜单，并非 DeepSeek 或 Hugging Face 官方公告。

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

11 月 9 日，字节跳动 Seed 团队发布新一代图像创作模型 Seedream 5.5。三项主要升级：多轮编辑时非编辑区域像素级保持、消除色偏，支持围绕同一张图连续编辑 100 轮；原生输出带 Alpha 通道的透明/半透明 RGBA 素材，省去抠图；光照、材质、皮肤纹理更接近实拍，密集小字渲染更准。官方在 MagicArena 平台做专家评测：相比 Seedream 5.0 Pro，六类生产场景可用率和评分全部提升，影视与办公场景可用率翻倍以上；严重文字崩坏率 0.4%、轻微 1.7%，并称文字结构与文生图真实感领先 GPT Image 2.5 Sunburst 和 Nano Banana 2.1。以上均为厂商口径，没有第三方公开榜单。中文版博客称正陆续上线即梦、豆包、豆包工作和火山方舟；英文版称即将登陆 Dreamina、CapCut 和 BytePlus。后续还会推出 Pro 版本。

查看大图

2026-11-06，Scope（YC P26）创始人 Anand Paj（@anandPa94）发布首个托管数据库 Agent 注册榜。任务：无账号起步、建库、写入记录并交回凭证；覆盖 Claude Code / Codex / Cursor 等 20 种配置、1035 场次。官方榜显示 Prisma Postgres 成功率约 88.3%，Upstash 约 63.3%，Neon/Nile 约 43.3%；CAPTCHA 阻断 373 场，7/18 产品全程零成功。

查看大图

2026-11-05，Hugging Face Harness Optimization 研究员 Joël Niklaus（@joelniklaus）发布 Harness Leaderboard：在固定模型/供应商/推理力度下只换 harness，跑 GLM-5.3-Flash、DeepSeek-V4.1-Flash 与 Flint，基准 Terminal-Bench 2.1 与 DeepSWE，共 28,849 次试验、推理花费约 $4,746。作者口径：三模型平均 mini-swe-agent 解决率约 51.4%，Pi 约 49.4% 且每解一题约 $0.29。本条为个人研究排行榜，非 Hugging Face 公司官方产品公告。

查看大图

Julius Research CEO rahul（@0interestrates，产品 Julius AI）于 11 月 5 日发布 DeepFinance：用真实交易脱敏资料室构建的 21 道 PE/投行超长程任务，人类单题约 20–30 小时（均值约 27.1 小时）、每题约 84 条 rubric。官方榜：Opus 5.5 (max) 约 54.8%，Sonnet 5.5 约 54.6%，GPT-6 Astra 约 54.2%。强调可审计轨迹，而非只对最终数字。

查看大图

半导体与 AI 研究机构 SemiAnalysis 11 月 2 日发布 GDPx，用来衡量前沿模型在芯片设计、网络安全、生物、金融、法律、量化交易、递归自我改进（RSI）、硬件设计、材料科学、对齐和软件工程 11 个领域的智能体能力，共 206 道任务，由 14 家专业数据公司出题、SemiAnalysis 负责最终质检。官网榜单上 Claude Opus 5.5 以 12.0% 居首，Gemini 4 Carbon 10.9%、GPT-6 Astra 9.6% 紧随其后；金融和法律任务几乎所有模型都是 0 分。SemiAnalysis 称 Opus 5.5 和 GPT-6 Astra 的总分被安全分类器拖低，并计划每 3–6 个月更新一版。以上分数均为 SemiAnalysis 口径。

查看大图

Kaggle 官方账号宣布与 IBM Research 合作上线 ScarfBench，用 204 个任务测试编码智能体能否把企业 Java 应用在 Jakarta EE、Quarkus 和 Spring 之间迁移且行为不变。IBM 10 月 27 日的技术说明显示，Gemini 4 Argon + Antigravity 以 75.2% 冒烟分居首，Claude Opus 5.5 + Claude Code 全通过率最高（72.1%），GPT-6.1 Sol + Codex 每解决一个任务成本最低（1.25 美元）。

查看大图

Devin 背后的 Cognition 于 10 月 30 日 01:45（UTC）在 X 上公布，Google 新模型 Gemini 4 Carbon 在其编程基准 FrontierCode 2.0 上得分 40%，每任务成本 4.04 美元，接近最高水平，仅次于 Claude Opus 5.5、GPT-6 Astra 和 Claude Sonnet 5.5。上一代 Gemini 4 Argon 得分 26.3%，每任务成本却更高，为 6.41 美元。成绩为 Cognition 自测口径，排行榜已在官网更新。

查看大图

NVIDIA AI 官方账号 10 月 28 日发布 Nemotron 3.5 Transcribe，权重已上架 Hugging Face 和 ModelScope。它是可用自然语言指令驱动的离线语音模型，一个检查点同时做 40 种语言转写、31 种语言与英语互译、13 种语言的说话人标注和音频问答，可处理最长 1 小时录音、最多标注 8 位说话人。官方称它在 Hugging Face Open ASR 英文榜以 5.33% 平均 WER 居开源模型第一；Artificial Analysis 测得 AA-WER 2.8%，与 24B 激活参数的 Voxtral Small 并列开源第一。权重、Granary v2 训练数据和微调配方一并开放。

查看大图

微软 AI 10 月 27 日宣布 MAI-Image-2.6 和 MAI-Image-2.6-Flash 在 Microsoft Foundry 正式商用（GA），支持最多 5 张参考图的多图编辑、Bing 联网 grounding 和最高 1.5K 输出，并公布按 token 计价。同一天，新一代图像编辑模型 MAI-Image-2.7-Preview 以 1470 分登上 Arena 图像编辑榜总榜第 3（比 2.6 高 45 分），目前只能在 MAI Playground 做图像编辑。

查看大图

Cursor 官方 10 月 27 日（SGT）宣布 DeepSeek V4.1 Flash 已在 Cursor 中可用，在 Cursor Settings > Models 打开即可。Cursor 称该模型每一档推理强度都落在 CursorBench 成本前沿上：每任务 $0.60 到 $0.98，在这个价位没有模型得分更高。官方 CursorBench 4.0 榜单显示，DeepSeek V4.1 Flash 1017 Max 档 47.7%（$0.98/任务），Medium 46.3%（$0.80），High 45.6%（$0.77），Low 44.9%（$0.60）；同榜最高分 Opus 5.5 Max 为 57.8%，但每任务 $13.43。

查看大图