OpenAI 发布 GPT-6.1 Terra，API 价格减半且多项基准接近更大模型
OpenAI 发布 GPT-6.1 Terra，API 输入价格为每百万 token $1、输出 $5，为 GPT-5.6 Terra 的一半，缓存输入降至 $0.05。
同一件事，精选收录的是《OpenAI 发布 GPT-6.1 Terra，主打大规模快速的计算机操作能力》
#评测/基准
The Decoder同事件AI 评分8282 The DecoderAI 评分6767 纽约大学与 UT Austin 研究归纳让 AI 文本难读的六种语言模式
纽约大学与德克萨斯大学奥斯汀分校的研究让 Claude、GPT-5.6、GLM-5、Kimi K2.5、Llama、Olmo 等 14 个模型生成 120 段对话、45 次编码会话和 980 篇议论文，与人类文本对比后归纳出六种让 AI 文本难读的模式：生僻词组搭配、主谓被长从句隔开、省略连接词的短指代、名词堆叠、把名词当动词用、给无生命主语配及物动词。
The DecoderAI 评分6666 Jack Clark 基于 TasteVal 基准将自我改进 AI 预测提前至 2027
Anthropic 联合创始人 Jack Clark 基于 P-Zero Research 的 TasteVal 基准，将递归自我改进（RSI）可能实现的时间预测从 2028 提前至最早 2027。
The DecoderAI 评分6262 OpenMobile-2 开源手机智能体模型发布，性能接近闭源模型
南京大学、SenseTime 等机构的研究者发布 OpenMobile-2，包含基于 Qwen3.5 的 9B 和基于 Qwen3.6 的 27B 两个模型，并开源完整训练环境、数据与复现说明。
TechCrunch · AIAI 评分6262 研究发现被强制要求表态时 Grok 偏向共和党、GPT 偏向民主党
Convovo 的一项研究通过 API 向 GPT-6.1 Sol 和 Grok 4.7 提出同一个要求明确推荐候选人的选举问题，在近 500 场竞选中 Grok 有 92% 的回答推荐共和党候选人，GPT 有 97% 推荐民主党候选人，两者一致率不足 10%。
The DecoderAI 评分6363 NBER研究：AI让初级专利律师产出更好，但可能削弱其长期专业成长
一项Google资助、发表于NBER的研究发现，使用Google Labs未发布AI助手InFlow的专利律师在起草任务中表现更好，且10天和90天后优势仍在，其中经验不足7年的初级律师获益最大。
The DecoderAI 评分6161 研究发现复杂 coding agent harness 提升成本但未提升 SWE-bench 通过率
一项研究让 5 个模型（Qwen3.6、Qwen3.8、Deepseek-V4-Flash、GLM-5.3-Flash、HY4-Preview）在 Claude Code。
Latent Space精选AI 评分8181 Moonshot 发布 Kimi K3.1 Pro：2.8T 参数 MoE，独立评测逼近 Fable 5.1
Moonshot 发布 Kimi K3.1 Pro，为 2.8T 总参数、104B 激活参数、1M token 上下文窗口的多模态 MoE 模型，权重承诺 2026 年 11 月 4 日开放。
推荐理由：原文区分了厂商宣传、独立评测与部署经济学三层证据，读者可据此判断开源权重模型与闭源前沿的真实差距。
Simon Willison同事件AI 评分7676 Moonshot 发布 Kimi K3.1 Pro，Artificial Analysis 得分 55 逼近 Claude Opus 5.5
Moonshot 于 10 月 23 日在 Kimi API 上线 Kimi K3.1 Pro，尚未开放权重，但承诺 2026 年 11 月 4 日前发布完整模型权重。
同一件事，精选收录的是《Moonshot 发布 Kimi K3.1 Pro：2.8T 参数 MoE，独立评测逼近 Fable 5.1》
The DecoderAI 评分7474 Moonshot AI 发布推理模型 Kimi K3.1 Pro，Artificial Analysis 智能指数升至第四
Moonshot AI 发布后训练推理模型 Kimi K3.1 Pro，在 Artificial Analysis Intelligence Index 上得 55 分，较 Kimi K3 提升 11 分，排名第四，仅次于 Claude Opus 5.5（58）、Claude Sonnet 5.5（56）和 Muse Wonder Full（56）。
Latent SpaceAI 评分4444 [AINews] Black October：AI 加速的漏洞披露潮压垮防御方
过去约 48 小时内，AI 加速的漏洞披露与数据泄露集中爆发，涵盖 PHP2Shell 未授权 RCE、GitLab CVSS 10 漏洞、LiteLLM 1.107.0 密码窃取器、eMudhra CA 私钥被 Claude 单次提示词破解等事件，月度 CVE 数量据报从约 4k 升至约 15k。
TechCrunch · AIAI 评分7272 微软 MAI-DxO 医疗诊断系统在复杂病例模拟中准确率达 83%，超越全科医生
微软 AI 诊断系统 MAI-DxO 在 Science 发表的研究中，对《新英格兰医学杂志》复杂病例的模拟诊断正确率达 83%，而全科医生和普通内科医生单独工作时为 36%。
The Verge · AI精选AI 评分7777 微软 Diagnostic Orchestrator 诊断准确率超医生，论文发表于 Science
微软称其多智能体诊断系统 Diagnostic Orchestrator 在诊断准确率上最高可达人类医生的四倍，相关研究发表于 Science。
推荐理由：原文给出了基准构成、对照组数据和临床验证路径，读者可据此判断多智能体诊断系统与真实医疗落地之间的差距。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布卫星嵌入模型 OlmoEarth v1.3 及全球预计算嵌入
Hugging Face 发布 OlmoEarth v1.3 卫星嵌入模型，读取 Sentinel-1 雷达与 Sentinel-2、Landsat 多光谱时间序列。
推荐理由：原文给出了评测对比和训练成本变化，读者可据此判断其相对前代与同类模型的实际改进幅度。
The DecoderAI 评分6262 Recursive 发布首个由 AI 研究流程打造的语言模型 Flint
AI 初创公司 Recursive 发布了首个语言模型 Flint，一个名为 Eureka Machine 的 AI 系统几乎参与了开发的每个环节，包括提出想法、构建、测试并规划后续实验。
Hugging Face BlogAI 评分5555 Hugging Face 推出 Granite 时间序列集成预测配方
Hugging Face 与 IBM Research 推出 Granite Timeseries Ensemble，用一个可扩展接口组合四个互补的 Granite 预训练时序模型，无需重训或拟合权重即可返回中位数与分位数预测。
Google Research精选AI 评分6565 Google Research 发表 JAMA Network Open 论文：AI 盲扫超声估算孕周精度媲美专家
Google Research 在 JAMA Network Open 发表论文，评估其 AI 孕周估算系统在芝加哥 Northwestern Medicine 与肯尼亚内罗毕 Jacaranda Health 两处临床环境中的泛化表现。
推荐理由：研究展示了AI在真实临床环境中跨硬件、跨地区的泛化能力，为低资源地区扩大产前超声覆盖提供了可参考的验证路径。
The DecoderAI 评分6666 Inception 发布扩散语言模型 Mercury 3，宣称速度远超 GPT-6 Luna 与 Claude Haiku 5.5
Inception 发布扩散语言模型 Mercury 3，宣称在多项基准上超过 GPT-6 Luna 和 Claude Haiku 5.5，速度快 4 到 8 倍，Nvidia GPU 上生成 1,068 tokens per second，而 Claude Haiku 5.5 约 240、GPT-6 Luna 约 130，目前尚无独立测试。
OpenAI NewsAI 评分3333 Terminal X 用 GPT-6.1 达到资深投资人判断 88.6% 匹配度
Terminal X 的 Eval Agent 用 GPT-6.1 Sol 对输出按 54 项评分标准打分，与资深投资人判断的匹配度达 88.6%，并比原有方式多捕捉 25% 偏离基金投资授权的输出。
The DecoderAI 评分5858 Elevenlabs 发布两款面向实时 AI 对话的 speech-to-speech 模型
Elevenlabs 于 Oct 20, 2026 发布两款名为 Eleven Realtime 的 speech-to-speech 模型。
The DecoderAI 评分6262 OpenAI 称 GPT-6 在 COBOL、Fortran 等遗留编程语言上表现大幅提升
OpenAI 改进了最新模型在 COBOL、Fortran、Visual Basic 等低资源编程语言上的表现。
Hugging Face Blog精选AI 评分6262 Ai2 发布 FairStress 基准，评估 LLM 决策中的隐性人口统计公平差异
Ai2 发布 FairStress 基准，用于测量 LLM 在最终选择之外的决策稳健性公平差异，包含 300 个双候选人场景、29 个领域，经人口统计身份与对抗前缀组合扩展至超过 1300 万测试用例，并提供 50K 项的 FairStress-Core 子集。
推荐理由：原文用对抗前缀揭示了输出层公平掩盖的决策稳健性差异，并给出相对有效的反事实 CoT 缓解方法。
Hugging Face Blog精选AI 评分6161 ALTK-Evolve 用学习记忆让 GPT-4.1 客服智能体登顶 τ²-bench
IBM Research 在 Hugging Face 发布 ALTK-Evolve，用 GPT-4.1 从智能体自身训练轨迹中蒸馏出行为规则并追加到系统提示词，在不更新权重、无人工标注的前提下提升客服智能体表现。
推荐理由：原文展示了不更新权重、仅靠提示词级学习记忆提升客服智能体可靠性与成本的具体路径和量化结果。
Latent SpaceAI 评分4444 [AINews] 10/16-10/19：DeepSeek V4.1 Flash 1017、MiniMax M3.1 Flash 与 Mercury 3 速览
DeepSeek V4.1 Flash 1017 以 552B 总参数 / 16B 激活参数的 MoE 架构、1M token 上下文窗口和 MIT 许可证发布，Artificial Analysis 智能指数得分 45（升 6 分），与 GLM-5.3 并列开源权重模型第 2，定价 $0.30/$1.20 每百万输入/输出 token。
TechCrunch · AIAI 评分5656 Hugging Face 政策主管称嵌入式 AI 评估者不会是简单方案
Hugging Face 首席政策官 Irene Solaiman 在 TechCrunch Disrupt 上表示，嵌入式评估者不会是简单方案，评测方法仍不成熟、需要更统一的科学标准。
OpenAI NewsAI 评分4646 OpenAI 如何提升 ChatGPT 在低资源编程语言上的编码能力
OpenAI 正在改进 ChatGPT 在低资源编程语言上的表现，新增了针对软件工程、SQLite 和 COBOL 迁移的评测。这些评测用于衡量模型在小众或遗留语言上的编码与迁移能力。
The DecoderAI 评分6262 MiniMax 发布推理模型 M3.1 Flash，价格战仍未见底
MiniMax 发布新推理模型 M3.1 Flash，在 Artificial Analysis Intelligence Index 上得 42 分，比前代 M3 高 13 分，单任务成本降至约 $0.22，速度是 M3 的三倍。
The DecoderAI 评分5757 Taste-Bench 评测显示 AI 智能体长期决策能力接近随机猜测
Pan 等研究者提出 Taste-Bench，用事后回溯方式评估 AI 智能体在长期任务中的决策质量，共 502 道二选一题目，数据来自 SWE-bench Pro 和 METR 的 MALT 公开转录。
The Decoder精选AI 评分7878 DeepSeek 发布 DeepSeek-V4.1-Flash-1017，在编码与智能体任务上以更低成本超越更大模型
DeepSeek 发布 DeepSeek-V4.1-Flash-1017，现已通过官网、App 和 API 提供，并在 Hugging Face 和 ModelScope 开源模型权重，同时首次向外部开发者开放其自研搜索引擎的 Search & Fetch API。
推荐理由：原文给出了新模型在成本与准确率上的具体对比数字，读者可据此评估小模型替代更大竞品的可行性。
AWS Machine Learning Blog精选AI 评分6262 AWS 用 Amazon Bedrock AgentCore 构建九阶段智能体评估框架
AWS SMGS Operations 团队分享了基于 Amazon Bedrock AgentCore Evaluations 的九阶段评估框架，覆盖从首次提交到生产响应的完整智能体生命周期，用于保障面向 AWS 全球现场销售的多智能体系统质量。
推荐理由：原文用真实生产故障和九阶段框架展示了如何把智能体质量从一次性验收变成贯穿生命周期的持续机制，可迁移性强。
TechCrunch · AIAI 评分5555 Elorian 发布首个模型 Glimpse，主打推理时反复回看图像
Elorian 发布首个模型 Glimpse，以 research preview 形式提供 API 访问，聊天界面需 waitlist。它在推理过程中可裁剪图像区域、从视频抽取特定帧或运行代码测量比较，Elorian 称之为 visual scratch space。
TechCrunch · AIAI 评分6363 Jev 成为 Vercel 史上采用最快的 AI 模型
Vercu 数据显示，TypeSafe AI 于 9 月 15 日限量发布的决策模型 Jev 在上线两周内已被 35% 的付费团队使用，覆盖度接近第二名 Sonnet 5.5 的两倍，成为 Vercel 记录中采用最快的模型。
The DecoderAI 评分7272 Gemini 4 Argon 在 ARC-AGI-3 上取得 97.5 分但表现依赖测试方法
Google DeepMind 新前沿模型 Gemini 4 Argon 在 ARC-AGI-3 上取得 97.5 分，成为继 OpenAI 后第二家超过 95 分的 AI 实验室，仅 GPT-6 Astra 的 99.9 分更高。
The Verge · AIAI 评分7474 Nvidia RTX Spark 笔记本一周实测：游戏、续航与本地 AI 表现
The Verge 三位作者用搭载 Nvidia RTX Spark N1X 芯片（20 CPU 核心、6,144 CUDA 核心）的五台笔记本（Asus ProArt P16、HP OmniBook Ultra、Lenovo Yoga 9n、Surface Laptop Ultra 等）测试一周，价格从 $3,199.99 到 $6,999.99。
The DecoderAI 评分7474 Google 让 Gemini 4 Argon 覆盖机器人仿真、控制与评估全流程
Google 推出 Gemini 4 Argon，定位为覆盖机器人全流程的单一模型，可控制机器人、构建虚拟仿真环境并评估训练数据，被称为迈向 physical AGI 的一步。
The DecoderAI 评分7171 GPT-6-Astra 在 TheoPhysEval 基准中解出 50 道物理研究题中的 49 道
一项新基准 TheoPhysEval 测试商用 AI 智能体解决理论物理研究问题的能力，GPT-6-Astra 在 OpenAI Codex 环境中答对 50 题中的 49 道（98%），平均每题成本不到 $3，整套基准花费约 $116。
Mistral AI精选AI 评分6161 Mistral AI 发布首个时序基础模型家族 Timestral
Mistral AI 发布首个时序基础模型家族 Timestral，最大 209M 参数版本在 GIFT-Eval、TIME 和 fev-bench 三大公开基准的预训练零样本模型中均排名第一，且参数量仅为前 SOTA 的三分之二。
推荐理由：原文给出了模型规模、基准名次与CPU推理延迟的具体数字，读者可据此判断小参数时序模型的落地可行性。
Hugging Face Blog精选AI 评分6262 Apertus 1.5 发布：8B 与 70B 模型新增多模态理解与思考模式
Apertus 1.5 在 Apertus 1.0 的 8B 和 70B 模型基础上新增图像与音频理解、可选思考模式、4 倍更长的上下文窗口（262,144 tokens）、改进的指令遵循与工具使用，模型权重已于 7 月 24 日以 Apache 2.0 许可发布至 Hugging Face。
推荐理由：原文详述了从文本模型扩展到多模态的训练配方与各阶段开源产物，便于复现其开放开发路径。
The DecoderAI 评分6767 Google DeepMind 研究者称自我改进AI仍遥远，AI已写超75%生产代码
Google DeepMind 研究者 Haydn Belfield 表示自我改进AI仍遥远，DeepMind 未观测到AI驱动的AI研究可测量加速。AI已编写超过75%的生产代码，但约88%的代码改动仍需人类监督或审查，完全委托给AI的改动占比从7.5%升至11.9%。
The DecoderAI 评分5555 Artemis Security 发布安全专用模型 Orion-1，在自建基准上超过 Claude Opus 5.5 与 GPT-6 Sol
美国初创公司 Artemis Security 发布安全专用模型 Orion-1，可自主调查并响应企业网络攻击，处理认证服务、云环境、企业终端、SaaS 与网络设备的日志，把分散信号关联到同一攻击者，给出置信度、结论并推荐或启动响应。