跳到正文

全部動態

RSS
今日 3 則
今天11月23日週一
  1. Dev.to Top Tech67

    Artificial Analysis 評比 GPT-6.2 Astra、Sol 與 Claude 的回答風格

    GPT-6.2 Astra 和 Sol 的回答變短了,但回答方式的改變不代表答案變得更準或更不準。Artificial Analysis 比較多個模型後發現,Astra 和 Sol 的回答篇幅與段落標題都減少,直接先給答案、聽起來自然的分數則上升;透明度分數分別是 41 和 57,低於 Fable 5.2 的 81 與 Opus 5.5 的 90。這些分數反映模型怎麼表達,不是回答正確率;在重要情境中,使用者不能只靠模型是否承認不確定來判斷內容可信度。

  2. Ant Ling57

    醫療 AI 模型需要看懂影像、整理報告,也要能回答醫療問題。Ant Ling 發布開源多模態模型 LingSante-3.1-air-VL,結合醫療影像理解、報告生成、醫療推理、多模態搜尋與工具使用;模型總引數為 124B,啟用引數為 5.5B。團隊表示,它在 AFUMED-Derm、AFUMED-Report、MIMIC-CXR 和醫療視覺問答的平均成績上,勝過比較的模型 GPT-6.1 Sol 和 Gemini 3.8 Flash;在一般用途評測中,也有部分專案高於這兩個模型。

  3. Dev.to Top Tech73

    GPT-6.2 Astra、Sol 與 Claude Opus 5.5 評測:Sol 在 SimpleBench 的分數低於 6.1

    換上新模型後,分數變好、價格不變,聽起來很合理,但 SimpleBench 的結果給出不同訊號。作者整理排行榜、廠商公佈的數字和價格,指出 GPT-6.2 Sol 得分 69.9%,低於同價的 GPT-6.1 Sol 的 82.9%;GPT-6.2 Astra 得分 77.3%,Claude Opus 5.5 則是 88.4%。作者沒有親自跑測試,數字來自排行榜和廠商資料;他也提醒,SimpleBench 主要測容易被細節誤導的題目,不等於所有工作表現。文章建議先用自己的工作內容比較新舊模型,並以完成一項工作的總成本來衡量價格。

11月22日週日
  1. The New Stack77

    GPT-6.2 Astra 和 Claude Fable 5.2 實測:準確度接近,費用與速度差很多

    選模型時,答得準不準只是其中一件事,花多少錢、等多久也會影響實際使用。作者用月底帳務、帳務程式修正和實驗室資料分析三種工作比較 GPT-6.2 Astra 與 Claude Fable 5.2;兩者在帳務和資料分析都拿滿分,Fable 5.2 在程式測試多拿 2 分。整體來看,Astra 花費較低、完成較快,但在程式測試中漏掉一條會影響顧客帳單的規則。作者建議先讓 Astra 重做幾次並比對結果,有錯誤或差異時,再用 Fable 5.2 複核。

    推薦理由:三種工作測試顯示兩個模型的準確度接近,但花費和完成時間差距很大,能幫助讀者依錯誤代價選擇模型與複核方式。

  2. The Decoder61

    Artificial Analysis 比較 GPT-6.2 Astra、Sol 與 Claude 的回答風格

    AI 模型回答得更精簡,不一定代表回答更可靠;不同模型也可能用不同方式表達不確定。Artificial Analysis 比較 GPT-6.2 Astra、Sol 和 Claude Fable 5.2、Opus 5.5,發現 Astra 和 Sol 的回答變短,也更快切入問題;Claude 在透明度和組織方式的分數較高。這些分數是和其他受測模型相比的風格排名,不是答案正確率;透明度分數較低,也不代表模型更常答錯。

  3. Dev.to Top Tech81

    Inkling 2 Mini 如何用重複運算,讓 26.4B 引數模型裝進約 20GB

    模型引數多,常會需要更多記憶體;Inkling 2 Mini 用一種重複運算的方法,讓模型可以裝進約 20GB。它會讓中間幾層重複處理同一份資料,因此用同一批引數多算幾次,而不是一直增加新引數。模型共有 26.4B 引數,每個 token 只啟用 3.4B,文章說可在 32GB Mac 上執行。它在 SWE-bench Verified 得到 79.2%,但這些成績來自團隊自己的測試,還沒有獨立重現;文章也提到,不同來源對重複運算的次數說法不一。

    推薦理由:文章以 Inkling 2 Mini 的引數規模、記憶體需求與程式基準比較,說明重複使用部分層如何用更多運算換取較小模型,並交代測試仍來自實驗室。

  4. Together AI64

    修正程式碼時,要先從大量檔案中找出問題所在。Together AI 表示,他們把一份錯誤回報和 Tornado 專案的 344 個檔案一次交給 Qwen4 Max,模型找出相關程式碼並寫好修補內容。接著執行了 Tornado 的 1,673 項測試,沒有失敗;這次請求花了 $0.69。貼文也提到,Qwen4 Max 在 Together AI 上的優惠到 11 月 22 日為止。

    推薦理由:Together AI 用修正 Tornado 程式碼的案例呈現 Qwen4 Max 的實際用途,並列出測試結果與單次請求費用。

  5. The New Stack72

    實測 GPT-6.2 Sol 和 Claude Opus 5.5:分數略低,費用省很多

    模型分數差不多時,花多少錢和出錯會造成什麼影響,也會左右選擇。作者用相同的三項工作測試 GPT-6.2 Sol 和 Claude Opus 5.5:程式修正與實驗資料分析兩項,兩者都拿滿分;處理帳務時,Opus 5.5 得 173 分,Sol 得 169 分,少算了一筆約 $2,400 的停機折抵。三項測試合計,Sol 花 $0.51、用時 290 秒;Opus 5.5 花 $2.79、用時 586 秒。作者認為 Sol 省很多,但涉及重大後果的工作仍可讓 Opus 5.5 做最後檢查。

  6. The New Stack64

    Nvidia 用 Droid 找出 Nemotron 3 Ultra 的錯誤,Terminal-Bench 2.0 分數升至 49%

    AI 助理寫程式時,可能會用錯工具、填錯引數,遇到錯誤也不會停下來修正。Nvidia 把 Factory 的 Droid 放進隔離網路,記錄這些可重現的失敗,再用約 20,000 筆資料訓練 Nemotron 3 Ultra。訓練方法 PivotRL 著重改善任務中的關鍵決定;Factory 表示,Nemotron 3 Ultra 的 Terminal-Bench 2.0 分數從 38.5% 升到 49%。不過,Factory 尚未公佈測試來單獨確認這種訓練對分數提升的影響,也沒有提供工具操作錯誤改善前後的資料。

11月21日週六
  1. Dev.to Top Tech78

    POCKET-27B-Pi 如何在一張 24 GB 顯示卡上執行

    在自己的電腦上跑大型程式設計模型,常會卡在顯示卡記憶體不夠。POCKET-27B-Pi 的 Q4_K_M 模型檔是 16.5 GB;作者依模型設定計算,使用 64K 上下文時,快取約佔 4.0 GiB,合計約需 19.55 GiB,能放進一張 24 GB 顯示卡,還要留空間給運算。VIDRAFT 測試 48 項 Terminal-Bench 2.1 任務,模型完成 28 項;這是合作夥伴自行測得的結果。文章也說明如何估算不同快取設定和同時執行多個工作時的記憶體需求。

    推薦理由:文章拆解模型檔案與注意力快取的記憶體用量,提供在單張顯示卡上估算長工作階段與多個工作同時執行的方法。

  2. MarkTechPost79

    OpenAI 推出 GPT-Live-1.1,語音連線待機每分鐘 $0.02

    語音服務在使用者沉默時仍會產生費用,OpenAI 推出的 GPT-Live-1.1 加入了較便宜的待機狀態。這款語音模型能一邊聽、一邊說,支援多語言對話;待機時會暫停推論,但保持 WebRTC 連線,使用者開口後可以接著對話。待機費用是每分鐘 $0.02,啟用時則是 $0.05。OpenAI 表示,新版在口音、轉錄和完成任務方面有所改善,但沒有公佈評測分數;後端模型與工具的費用則另外計算。

    推薦理由:GPT-Live-1.1 把語音模型的待機費用降到每分鐘 $0.02,但語音品質提升目前只有 OpenAI 的說法,沒有公開評測分數可供比較。

  3. MarkTechPost83

    Thinking Machines 推出 Inkling 2 Mini,可在 32GB Mac 上執行

    想在自己的電腦上執行大型模型,常會卡在記憶體不夠。Thinking Machines 推出的 Inkling 2 Mini 有 26.4B 個引數,模型檔約 20GB;它會把中間幾層重複運算,減少需要存放的權重,可在 32GB 記憶體的 Mac 上執行,也支援輸入文字和圖片。Thinking Machines 表示,它在 SWE-bench Verified 的分數是 79.2%,但知識問答和多輪指令的表現較弱;文中的評測分數由該公司自行提供,不同模型的測試條件也可能不同。

    推薦理由:Inkling 2 Mini 把中間層重複運算,讓約 20GB 的模型能在 32GB 記憶體的 Mac 上執行;文中也比較了它在程式開發與知識問答上的表現。

  4. Dev.to Top Tech71

    NVIDIA 推出 Nemotron-Labs-Sigma 連續擴散語言模型

    一般語言模型會一個 token 接一個 token 寫文字,Nemotron-Labs-Sigma 則改成分批生成,每批處理 64 個 token,經過多次去噪後再接著產生下一批。這個模型家族共有 14 個版本,分為 3B 和 8B,提供不同用途與運算步數的版本;權重可下載,授權也允許商業使用。NVIDIA 表示,模型可在自有裝置上執行,並公佈了速度和測試成績;不過這些數字來自 NVIDIA 內部評測,尚未經獨立驗證。文中也指出,8B 指令版在 AIME25 的成績較弱,顯示它在競賽數學方面仍有差距。

  5. The Decoder77

    Thinking Machines 推出 Inkling 2 Mini,讓模型多想幾步也少寫文字

    有些模型得寫出更多文字才能多做推理,Thinking Machines 推出的開放模型 Inkling 2 Mini,改用重複運算部分層的方式,在不多生成文字的情況下延長內部推理。它能處理文字和圖片,並可在記憶體至少 32 GB 的 Mac 上本機執行。Artificial Analysis 的 Intelligence Index 給它 20 分,與 Qwen3.8 27B 同分;Thinking Machines 表示,它在程式開發測試中也有不錯的表現。

    推薦理由:Inkling 2 Mini 透過重複運算部分層來延長內部推理,文章也比較了它在程式測試、速度與成本上的表現。

  6. Dev.to Top Tech39

    Sonnet 5.5 和 Sonnet 5 怎麼選?實際使用成本與速度比較

    同一項工作交給 Sonnet 5 和 Sonnet 5.5,哪個比較適合?一間工作室記錄了兩種模型的實際使用情況:Sonnet 5 每次花 $0.01007,較便宜;Sonnet 5.5 每次花 $0.01755,但平均只要 2.0 秒,速度比 Sonnet 5 的 2.6 秒快。兩種模型都沒有發生失敗,不過 Sonnet 5.5 使用次數較多,兩者也不是同時測試。 工作室後來繼續使用 Sonnet 5.5,但這份紀錄沒有說明轉換原因,也沒有比較答案品質。Sonnet 5.5 每次收到的輸入資料比較多,所以成本差異不能只歸因於模型價格。這些結果只反映這項工作和這間工作室的用量;如果你最在意每次成本,Sonnet 5 較省,若在意速度,這次的紀錄則是 Sonnet 5.5 較快。

  7. Dev.to Top Tech49

    DaisyRose-27B 如何只靠強化學習訓練 AI 程式設計助理,取代 SFT

    許多 AI 程式設計助理靠範例學寫程式,遇到終端機裡複雜的執行錯誤時,可能就不會處理。RadixArk 和 Eigent AI 訓練了 DaisyRose-27B,讓它在沙盒裡實際執行指令、觀察結果、找出錯誤再修改;訓練過程不使用 SFT 或知識蒸餾。舉例來說,它能檢視錯誤訊息和程式執行紀錄,試著修正解法。文章列出的 Terminal Bench 4.1 成績,從基礎模型的 5.6% 提升到 12.0%。這顯示讓模型從實際操作結果中學習,可能有助於它處理程式問題。

  8. MarkTechPost79

    Baseten 推出 Bison-1 和 Groundhog-1 決策模型

    有些工作需要 AI 判斷是否符合條件、從選項中挑答案,或給出分數,不必另外生成一段文字。Baseten 推出 Bison-1 和 Groundhog-1,兩款模型都能讀取文字與圖片,並處理最多 128k tokens 的內容;Bison-1 在 Artificial Analysis Decision Index v2.1 得 76 分,Groundhog-1 目前還沒有正式分數。兩者也可透過 Baseten API 使用,或下載 Hugging Face 上的 BF16 權重;文章列出的輸入價格分別是每 1M tokens $0.10 和 $0.035。

    推薦理由:兩款模型把可處理的上下文拉長到 128k,並支援圖片輸入;評測分數、價格與部署規格可用來比較不同決策任務的需求。

  9. Dev.to Top Tech76

    Gemini 4 Hydrogen 和 GPT-6.1 Terra 評測:Hydrogen 在 9 項共同基準中贏了 8 項

    挑模型時,分數較高的選項也可能比較貴,而且公開測試不一定符合自己的工作。作者比較 Gemini 4 Hydrogen 和 GPT-6.1 Terra 在 Google 模型卡上都有分數的 9 項基準,Hydrogen 贏了 8 項,Terra 則在科學類終端機測試勝出;這些結果由 Google 執行,兩款模型的測試條件可能不同。依文中列出的標準 API 費率,輸入 2,000 萬、輸出 500 萬 token,每月費用分別是 $67.50 和 $45.00。文章建議用自己的工作測試分數、費用和成功率,再決定怎麼選。

    推薦理由:文章把兩款模型的公開基準分數、每百萬 token 費用與月用量試算放在一起,呈現選擇時效能和成本的取捨。

  10. Dev.to Top Tech70

    Duo v1 評測:為什麼建議從 distill-quant 權重開始

    想測試能邊聽人說話、邊生成影音的 Duo v1,得先準備多 GPU 伺服器,也要確認權重授權是否適用。作者比較了四組權重,建議實驗時先用 47.0 GB 的 distill-quant;它還依賴 153.5 GB 的 causal base,兩者都要下載。論文的參考串流設定使用一臺配有八張 GPU 的伺服器,沒有提供單張消費級顯示卡的支援。作者列出的每段延遲是 330 到 650 ms,但這不是使用者看到第一個畫面的完整等待時間。程式碼採 Apache-2.0,權重則使用另一種授權,排除歐盟、英國、南韓和美國;商用前應先讀清楚授權條款。

  11. ModelScope58

    想做個人介紹、簡報或報告網頁,卻不想先處理建置流程,可以試試 CCORE-Web-Coder-4B。這個開放權重模型根據 Qwen3.5-4B-Base 微調,能把簡短需求做成可在瀏覽器開啟的 React HTML 頁面,並把 CSS 和 JSX 放在同一個 HTML 檔裡,透過 CDN 載入 React 和 Babel。模型可在本機執行,提供的範例包含作品集、簡報和報告;使用時要採用附上的 system prompt,並為推理與完整 HTML 預留約 20K 個輸出 token。

  12. Dev.to Top Tech44

    DeepSeek V4.1 Flash 和 V4 Pro 寫程式比較:第一版程式碼過不過關,會影響後續工作量

    AI 助理寫出第一版程式碼時,如果測試沒過,團隊就得多花時間看錯誤、再修改、再測一次。作者用兩種 Crazyrouter 路線處理兩個小型 Node.js 專案任務:有程式碼的測試中,DeepSeek V4.1 Flash 第一次就全數通過 4/5 次,DeepSeek V4 Pro 是 5/6 次;收到錯誤回饋後,兩者都在所有有寫出程式碼的測試中通過。例子裡,Flash 一開始漏掉了複合時間格式,Pro 則有快取結果沒有留給下次使用的問題,修正後都通過測試。這些測試只涵蓋兩個小任務,不能直接看出哪種路線在大型專案更好,也沒有比較人工修改時間或完整費用;團隊應拿自己的測試和實際失敗案例來評估。

  13. Dev.to Top Tech64

    Vidraft_lab 發布 POCKET-27B-Pi,24GB 顯示卡可跑的程式開發模型

    程式開發用的 AI 助理得在限時內反覆讀檔、執行指令和檢視結果,模型回覆慢,能嘗試的步驟就會變少。Vidraft_lab 公開 POCKET-27B-Pi,Q4_K_M 版本檔案為 16.5GB,作者表示可用一張 24GB 顯示卡執行。在 Terminal-Bench 2.1 的共同 48 項測試中,它解出 28 項;原始 Qwen3.8-27B 解出 19 項,53.8GB 的原精度 pi 模型解出 21 項。另一組 50 項測試中,POCKET-27B-Pi 每項任務的步數中位數是 15 步,原始權重版本是 36.5 步。這些結果來自作者的測試條件,團隊若要比較其他模型,需使用相同的任務和限時。

  14. Arena.ai44

    Arena 推出新的 Agent Arena Index,評比 AI 助理的表現。Gemini 4 Neon 首次上榜就以 1336 分拿下第 2 名;GPT-6.2 Astra 得第 6 名,GPT-6.2 Sol 得第 11 名,平均每項任務花費 $0.90。Qwen4-Max 排第 14 名,也是排名最高的中國模型。推文也列出其他榜單結果,例如 Muse Ember 在 Code Arena: WebDev 得 1608 分,排名升到第 1。這些成績和費用能幫大家比較不同 AI 助理的表現與成本。

  15. hackernews10086

    Inkling 2 Mini 發布,可在筆電上執行的開放權重模型

    模型要處理需要多步推理的工作,常得花更多時間或寫下更多推理內容。Inkling 2 Mini 會把模型中間的部分重複運算三次,作者表示,這讓它能用較少的 token 處理程式開發等任務;模型總引數為 26.4B,記憶體佔用約 20GB,也能在筆電上離線執行。它在多項同尺寸開放權重模型的程式與搜尋測試中表現突出,權重已公開;不過,多輪聊天和需要遵守許多限制的指令仍是弱項。作者也測試了重複運算對推理內容監看的影響,初步結果沒有顯示監看能力明顯變差。

    推薦理由:Inkling 2 Mini以反覆運算的架構提升推理能力,文中也比較了它在程式任務、長篇推理與監看能力上的表現。

  16. OpenAI News42

    Hebbia 用 GPT-6 Astra 幫金融研究找資料、做簡報

    銀行員評估收購案時,得從大量財報、合約和簡報裡找答案,還要把資料整理成符合公司格式的簡報。Hebbia 的 Matrix 能把答案連回原始檔案;測試中,GPT-6 Astra 會挑出相關資料來源,再依照使用者的架構和要求製作 PowerPoint 投影片。舉例來說,面對約 2,000 個檔案,它能協助整理客戶集中度、合約條款和營收流失情況,並在投影片附上可追查的來源。Hebbia 的測試顯示,99.5% 的引用段落都和問題相關,簡報也符合 97.9% 的適用要求。這能減少找資料和重做簡報的時間,讓銀行員把心力放在評估交易上。

  17. Hugging Face Blog83

    Hugging Face 與 Thinking Machines Lab 推出 Inkling 2 Mini,主打本機使用

    本機執行大型模型時,模型大小、回答速度和能力常得互相取捨。Hugging Face 與 Thinking Machines Lab 推出 Inkling 2 Mini,這款模型能讀文字和圖片,支援 1M-token 上下文視窗;它讓 12 層模型重複運作三次,用較少的實體層數完成更多運算。文章展示了它在本機寫程式、重畫《星夜》和製作分帳網站的成果,也說明如何透過 transformers、llama.cpp 和 MLX 執行。作者表示,它在 48 項基準中的 32 項領先文中列出的其他模型;這些結果來自 Hugging Face 的測試。

    推薦理由:文章以架構說明和實作展示呈現 Inkling 2 Mini 的本機使用方式,也比較它在多項基準上的表現,能看出模型設計與實際應用之間的連結。

  18. The Decoder82

    OpenAI 加強 GPT-6.2 防護,降低攻擊者抽取模型推理內容的成功率

    攻擊者可能透過一連串請求,試著套出 AI 模型受保護的推理內容。OpenAI 表示,GPT-6.2 Astra 加入針對性訓練、輸入與輸出篩選,以及 API 封鎖等防護;面對協同行動,公司也會每週停用數千至數萬個帳號。OpenAI 的內部自動化測試中,從先前請求抽取內容的成功率,從 GPT-6 Astra 的 54.0% 降到 GPT-6.2 Astra 的 0.2%;針對目前請求則從 22.9% 降到 0.9%。OpenAI 也正把部分改進帶到 GPT-6 Astra。

    推薦理由:OpenAI 的內部測試顯示,更新防護後,從先前請求和目前請求抽取受保護推理的成功率都大幅下降,呈現防護成效的具體比較。

  19. aihot81

    Thinking Machines Lab 發布可在筆電執行的開源權重模型 Inkling 2 Mini

    想在筆電上跑 AI 模型,常會遇到模型太大、速度不夠快的問題。Thinking Machines Lab 發布開源權重模型 Inkling 2 Mini,讓模型的中間層對每個 token 重複運算三次,增加推理計算;模型總引數量為 26.4B,記憶體約需 20GB,官方表示可在記憶體至少 32GB 的 Mac 上執行。原文列出多項程式開發與工具使用測試,也說明模型在多輪對話和大量指令限制的測試中較弱。迴圈設計還會讓更多推理留在模型內部,原文的初步測試沒有看到監控能力隨迴圈增加而明顯下降。

    推薦理由:迴圈架構讓模型在每個 token 上多做幾輪運算,原文也交代本機硬體門檻與推理監控實驗,可用來理解這種設計的取捨。

  20. Artificial Analysis75

    大型模型常需要較多運算資源,Inkling 2 Mini 則小到可以在 MacBook 或 DGX Spark 上執行。它是 Thinking Machines 推出的開放權重模型,總引數量為 26B,每次運算會啟用 5.4B 引數;文字輸入會經過迴圈層三次,使用 3.1B 個不同權重。模型也能讀取圖片,並支援 1M token 的上下文視窗,採用 Apache 2.0 授權。Artificial Analysis 將它列在 Intelligence Index 第 20 名,並指出它在模型能力與啟用引數量的比較中位於帕累托前緣。

    推薦理由:Inkling 2 Mini 把模型能力與啟用引數量放在同一張圖上比較,並提供模型大小、文字與圖片輸入及上下文視窗資訊,可用來瞭解它的定位。

  21. 🚨 AI News | TestingCatalog63

    Thinking Machines 宣佈推出 Inkling 2 Mini,這是一款開放權重的混合專家模型。原文列出它共有 26.4B 引數、每次啟用 3.4B 引數,並提到每個 token 有 5.4B 權重啟用量,以配合迴圈運作。TestingCatalog 引述的資料稱,它在 DeepSWE v1.1 得分 48.2%、Vals Index v2.2 得分 46.5%,並表示在總引數少於 100B 的開放權重模型中領先。作者表示接下來要進行本機測試,這篇材料尚未提供測試結果。

  22. Unsloth AI60

    想在記憶體較少的裝置上執行大型模型,常會碰到硬體需求太高的問題。Unsloth AI 分享了 Inkling 2 Mini 的執行方式,這款模型有 26.4B,使用 Thinking Machines 的 MoE 架構,並可透過 Unsloth 或 llama.cpp 執行。貼文也提到它在 DeepSWE v1.1 得分為 48.2%,並附上 GGUF 檔案與操作指南連結。

    推薦理由:Inkling 2 Mini 可在 16GB RAM 的裝置上執行,貼文也列出它在 DeepSWE v1.1 的成績,呈現小型模型的執行門檻與表現。

  23. Dev.to Top Tech44

    Gestalt 參加設計評比拿下第一,但模型是誰做的還不知道

    Gestalt 在 Contra Labs 和 BenchFlow 主辦的設計評比中排名第一,但團隊身分和模型細節都還沒公開,外界也無法試用。評比請專業設計師盲選網站和 App 設計作品;目前排行榜顯示,Gestalt 的勝率是 90%,人類參考作品排第二。這表示設計師在這些題目中較喜歡 Gestalt 的作品,還不能證明它整體比人類設計師更好。評比題目不多,也來自特定平臺;等模型公開、讓外部團隊用更多題目測試,才會更清楚它能不能用在真實工作中。

  24. Baseten61

    要挑出適合做決策的模型,除了品質,也得考慮速度和能處理的資料。Baseten 推出 bison-1 和 groundhog-1,兩者以 Gemma 4 為基礎,支援 128k 上下文視窗,也能處理圖片和文字。Baseten 表示,新模型的品質有所提升,速度則和 mammoth-1、elephant-1 相近;貼文沒有提供評測細節或比較數字。

    推薦理由:Baseten 說明新模型沿用 Gemma 4,並與自家舊模型比較品質和速度,提供評估其更新方向的背景。

  25. Artificial Analysis60

    讓機器人完成工作時,模型需要發出多少手臂指令,會影響任務執行效率。Artificial Analysis 在 AA-Robotics v0.1 測試 11 個模型,GPT-6.2 Astra 完成六項任務共發出 668 條指令,是受測模型中最少的,得分也最高。整理箱子這項任務中,它用了 92 條手臂指令,比 Claude Fable 5.2 少約 75%。

    推薦理由:AA-Robotics v0.1 比較 11 個模型完成六項任務的表現,並列出 GPT-6.2 Astra 的指令數與得分結果。