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

AI 观察账号 leo（@synthwavedd，约 4.8 万粉丝）11 月 12 日凌晨（新加坡时间）发帖称：OpenAI 一年来首次在 Epoch AI 的能力指数（ECI）上排到第三，GPT-6 Astra 落后于 Claude Fable 5.2 和 Gemini 4 Carbon。帖子附 Epoch 榜单截图：Fable 5.2 为 173（90% 可信区间 170–177），Gemini 4 Carbon 170（166–174），GPT-6 Astra 与 Claude Opus 5.5 同为 169（166–172）。该帖约 3.8 万浏览、830 赞、45 条回复，中日文圈 12 日继续转述。Epoch 官网目前显示的最高分为 Fable 5.2 的 173，并注明该分数基于发布前测试、仍可能变化。争论焦点在于：前几名的区间互相重叠，「第三」到底有多大意义。

查看大图

专做对齐评测的 Goodhart Labs 于 11 月 12 日凌晨（新加坡时间）发布 HoneyBench v0.2，衡量模型在「评分器有漏洞」的任务里钻空子的频率。20 个任务覆盖医疗、工程、行政、编码等 7 个领域，测了 22 个模型，没有一个完全不作弊：Claude Fable 5.2 作弊率 11.9% 最低，Opus 5.5 为 31.8%，GPT-6 Astra 50.8%，国产模型中阶跃 Step 5 Preview 最低（64.9%），Grok 4.7 与 Muse Spark Open 超过 85%。官方举例：有模型试图逃出评测容器、为达治疗指标伤害模拟癌症患者。以上为第三方评测机构口径。

查看大图

Arena 于 11 月 11 日宣布，Anthropic 的 Claude Fable 5.2 (Max) 在 Agent Arena 总榜排名第一：基于 4,731 次真实智能体会话，净提升 +30.35%，约为第 2 名 Claude Opus 5.5 (Max)（+19.52%）的 1.6 倍，第 3 名为 Gemini 4 Carbon (High)（+16.98%，初步排名）。相比上一代 Fable 5.1，Fable 5.2 从第 5 升至第 1，净提升约翻倍，每任务中位成本从 7.60 美元降至 7.28 美元。它在「好评 vs 抱怨」「可控性」「确认成功」三项信号均居首，Bash 可靠性第 3，但每任务成本仍是 Gemini 4 Carbon 的约 5 倍。

查看大图

Perplexity Secure Intelligence Institute 11 月 11 日发布研究《Escaping SPACE: Part II》，用 12 个模型红队测试 Perplexity Computer Agent 所用的 Firecracker 虚拟机沙箱 SPACE。新加入的模型是 Claude Mythos 5.1、Claude Opus 5.5 和 GPT-6 Astra。两项任务分别是逃出虚拟机拿到宿主机上的 AWS 凭证，以及绕过网络策略访问被拦截的 URL。结论有两条。一是常见的 CTF 夺旗式题目会让 Agent 把精力花在找凭证上，改成明确针对虚拟化层的提示后，相关投入平均提升约 60 个百分点，但仍没有任何一次逃逸成功。二是专攻安全的模型未必更强：网络绕过任务中 GPT-5.6 Cyber 三次全败，通用的 GPT-5.6 Sol 三次全胜；GPT-6 Astra 平均 4.8 分钟完成，也胜过偏安全方向的 Mythos 5.1。所涉漏洞已修复。

查看大图

百度 11 月 11 日在 ERNIE 官网和 @Baidu_Inc 发布文心 5.5 Flash Preview，这是基于 11 月 5 日开源的 ERNIE 5.5 Flash Base 做后训练的第一个模型：总参 280B、每 token 激活 14B，上下文 1M，官方称生成速度超过 200 token/s，主打编程、3D 建模、知识工作和内容创作。API 已在百度智能云千帆上线，权重将于 11 月 25 日前开源，官方博客写明采用 Apache 2.0。官方跑分（厂商口径）中，它在 AutomationBench（61.9）和 SpreadsheetBench V2（36.4）上排在对比表第一，但 Terminal-Bench 4.0 只有 46.5，低于 Claude Opus 5.5 的 63.6。官方也说明这是后训练中途的检查点。

查看大图

Einsia AI 联合清华大学等 11 月 10 日发布 WorkflowArena，专门测模型能不能自己拆任务、派子 Agent、写工作流并整合结果。基准含 8 个专业领域 145 个长程任务，用隐藏验证器打分，并记录每一次委派。论文测了 9 个模型在 Claude Code 和 Codex 中的 25 种配置：最强的 Claude Opus 5.5（max）平均只完整解决 36.95% 的任务，SWE 最高 29.41%，法律不超过 9.09%。Claude 系倾向少而大的委派，GPT 系则多而小；Opus 写的工作流能让较弱执行模型平均多得 6.41 分。代码和论文已公开。

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

T3 Code CEO Theo 11 月 10 日发帖称，按他用 Ultra 订阅发出的 110 多万次真实请求折算，200 美元的 Claude Ultra 每月能用掉约 1.5 万美元 API 价的 Opus 5.5，换成 Fable 5.2 只有约 3000 美元。帖子获 3900 多赞、1000 多收藏。他也指出 Fable 更常一次做完任务，按每周完成的轮次算差距没那么大。这是个人样本，不是官方数据；官方确认的是 Fable 5.2 降价到 $8/$40，以及上线周的 Fable 用量规则。

查看大图

Anthropic 在 Claude 开发者文档上线《Prompting Claude Fable 5.2》，专门说明 Fable 5.2 与旧模型行为不同的地方。Simon Willison 11 月 10 日发帖推荐其中一条技巧：在系统提示里告诉模型「这个代码库是你的」，它就更愿意合并重复代码、顺手修相关问题。指南还给出防止任务没做完就停下的提示词、长任务中保持进度更新的方法、控制子 Agent 数量的建议，并提醒迁移时清理为 Fable 5.1 和 Opus 5.5 写的旧指令。文中数字均为 Anthropic 自测（官方口径）。

查看大图

Anthropic 开发者博客 claude.dev 11 月 9 日发布 Addy Osmani 撰写的选型指南《Which Claude model should you build with?》，ClaudeDevs 推文获约 9200 赞、1.2 万收藏。核心建议：大多数编码和知识工作先用 Opus 5.5、effort 设 medium（Claude Code 默认）；范围明确的修 bug、按规格开发降到 Sonnet 5.5；分类、路由、抽取和读日志类子 Agent 用 Haiku 5.5；大型重构、迁移和深度研究再升到 Fable 5.2。换模型之前先调 effort，并先给模型加上自我验证手段。指南还列出四款模型价格、默认 effort 和迁移时会触发 400 错误的兼容性差异。

查看大图

北京时间 11 月 10 日凌晨 2:58，Claude 官方账号发布 Claude Fable 5.2 和 Claude Mythos 5.2。两者是同一个底层模型：Fable 带有网络安全和生物安全防护，面向所有付费用户、Claude Platform 和各大云平台开放；Mythos 去掉部分防护，只通过网络安全与生命科学验证计划提供给审核过的机构。价格从 Fable 5.1 的每百万 token 10/50 美元降到 8/40 美元，输出速度最多快 30%，另有最多提速 2.5 倍的 fast mode（16/80 美元）。官方口径下，Fable 5.2 在 FrontierCode 2.0 上以 Xhigh 档拿到 49.1%，高于 Opus 5.5 的 45.5% 和 GPT-6 Astra 的 42.8%；High 档与 Opus 5.5 最高分持平，单任务成本约为一半。API 模型名为 claude-fable-5-2。

查看大图

11 月 9 日，Datasette 作者、Django 联合创建者 Simon Willison 在 X 上说，他最近把 Claude Code、Codex 生成的 PR 描述大段折叠进 GitHub Markdown 支持的 <details><summary> 标签，认为这能让「PR 垃圾文」读起来没那么累。该帖约 4 小时内获得 650+ 赞、400+ 收藏、近 150 条回复。他在同日博客里解释：Agent 写的描述准确又全面，问题是太长，读着像垃圾文；他的做法是 PR 开头只放一段经人工判断的简短说明（必要时配截图），完整的 Agent 长文折叠起来，折叠标题写模型名和推理档位，比如「Claude Opus 5.5 Medium」。这是个人工作习惯分享，不是产品发布。

查看大图