#Agent
RSS 訂閱#Agent
RSS
Arena.ai@arena品質評分3737The New Stack品質評分6464 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。
Dev.to Top Tech精選品質評分7676 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。
Arena.ai@arena品質評分4444hackernews100精選品質評分8686 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。
clem 🤗@ClementDelangue品質評分4444
Thinking Machines@thinkymachines品質評分5151
Google@Google精選品質評分6666
Dev.to Top Tech品質評分6969 Google 推出 Gemini 4 Neon,主打兼顧推理能力與價格
挑模型時,小型款速度快、價格低,大型款能力強但更貴,中間款能不能划算,得看價格和用途。Google 在 11 月 18 日推出 Gemini 4 Neon,定位介於 Hydrogen 和 Carbon 之間,主打複雜程式開發、分析推理和企業工作流程。Neon 每百萬個輸入 token 收 $3、輸出 token 收 $15;Google 表示,在預設的高思考等級下,每項任務比 Carbon 便宜 32%,但這是 Google 提供的比較數字,尚無外部測試重跑。Gemini 的 Tasks 現在也能使用 Neon,處理多步驟工作。它將提供給部分付費方案與企業使用者,沒有免費方案。
Hugging Face Blog精選品質評分8484 Hugging Face 示範為 Qwen3.8-27B 訓練 AI 助理工具專用介面卡
通用模型搭配不同 AI 助理工具時,可能會多花時間和 token,解程式問題的表現也不夠好。Hugging Face 團隊把強化學習直接放進 pi、Hermes Agent 和 OpenCode 這三種工具中,分別為 Qwen3.8-27B 訓練介面卡,也把三者合併成一個版本。測試顯示,各自的專用版本在對應工具和程式開發基準上都優於原模型,完成任務時也少用工具;合併版本則能在三種工具中使用。這套流程與訓練資料也公開,讓其他人能照著調整自己的模型和任務。
推薦理由:這套流程把強化學習放進實際使用的 AI 助理工具中,並比較專用與合併介面卡的成效,可供重現與評估程式開發任務。
ModelScope@ModelScope2022精選品質評分8585推薦理由:Hy4 把影片與圖片理解、電腦操作和多款遊戲引擎開發放在同一模型中,文中也列出它在三項測試中的表現。
Together AI@togethercompute品質評分4141
Dev.to Top Tech品質評分7070 Gemini 4 Neon、GPT-6.2 Astra 和 Claude Fable 5.2 怎麼選?比較評分與任務費用
挑大型語言模型時,只看每個 token 的價格,可能會選錯。這篇文章比較 Gemini 4 Neon、GPT-6.2 Astra 和 Claude Fable 5.2 的價格、排行榜分數與每項任務費用:Neon 的 token 單價最低,Astra 在一項獨立測試中每項任務花費最低,Fable 5.2 則在兩個排行榜領先。差別在於模型完成工作時會寫出多少 token,Astra 的測試輸出量遠少於另外兩款,因此即使單價較高,每項任務還是比較省。文章也提醒,排行榜採用的測試不同,排名可能不一致;文中提供一套測試流程,建議用自己的工作內容比較成功率、token 用量和速度。
Dev.to Top Tech精選品質評分7979 Gemini 4 Neon 評測:比較基準、API 費用與 AI 助理工作流程
挑模型時,排行榜上的分數不一定能告訴你實際工作要花多少錢,工作流程工具也會影響結果。作者整理 Gemini 4 Neon、Carbon 和 Hydrogen 的價格與測試成績,並說明 Neon 的輸出費用包含思考用的 token,調高思考程度也會增加費用;Carbon 和 Argon 的優惠價格則會在 12 月 1 日結束。文章還比較同一模型在不同程式工作流程工具上的測試結果,指出分數差距可能很大,建議團隊用自己的工作流程和任務測試,再估算費用。
推薦理由:文章比較 Gemini 4 Neon 與 Carbon 的費用和測試結果,也指出同一模型換了工作流程工具後,程式任務分數差異很大。
Arena.ai@arena精選品質評分6464推薦理由:這份榜單把 GPT-6.2 Astra 和 Sol 的任務分數與每項任務成本放在一起比較,能看出兩款模型在表現和花費上的差異。
Rohan Paul@rohanpaul_ai精選品質評分9191推薦理由:文中列出 Gemini 4 Neon 的價格、任務成本比較與多項基準排名,可用來瞭解它在效能和花費間的表現。
Arena.ai@arena精選品質評分6868推薦理由:Arena 的排名與每項任務中位成本,呈現 Gemini 4 Neon (High) 和其他模型在表現與費用上的差距。
Arena.ai@arena品質評分3636Hugging Face Blog精選品質評分6161 RadixArk 發布 DaisyRose-27B,Terminal-Bench 4.1 成績提升
訓練 AI 助理處理需要長時間、多步驟完成的工作,往往要準備大量任務,也得投入不少 GPU 資源。RadixArk 發布首款模型 DaisyRose-27B,以 Qwen3.8-27B 為基礎,使用 1,200 項整理過的任務進行強化學習訓練。和原始模型相比,它在文中列出的各項基準都拿到較高分;Terminal-Bench 4.1 的 pass@1 從 5.6% 提升到 12.0%。RadixArk 也表示,自家訓練後端比可比的開源訓練器少用 57% GPU 時間。
推薦理由:DaisyRose-27B 與 Qwen3.8-27B 的多項基準成績可供對照,其中 Terminal-Bench 4.1 的 pass@1 從 5.6% 提升到 12.0%。
The New Stack品質評分6666 Qwen4-Max 和 Claude Opus 5.5 比較:便宜的模型花更多時間,也少拿一些分數
模型價格較低,做事就一定比較划算嗎?作者用三項工作測試 Qwen4-Max 和 Claude Opus 5.5,涵蓋跨工具處理公司工作、調查事故和修補程式。Qwen4-Max 的費用約是 Claude Opus 5.5 的三分之一,但總共花的時間約是 3.14 倍,183 分中拿下 170 分,少於對方的 179 分。查事故資料時,Qwen4-Max 多拿 1 分;修程式時則漏掉一個會讓付款少 1 美分的問題。每項測試都只跑一次,結果不能代表其他工作也會有相同差距。
The Decoder品質評分7575 Microsoft 一次推出 7 款 AI 模型,想用較低成本取代自家產品中的外部模型
長時間使用 AI 助理會花掉大量 token,Microsoft 因此一次推出 7 款模型,涵蓋寫程式、資安、圖片、語音、搜尋和工作流程判斷,主打用較低成本完成工作。Microsoft 表示,MAI Code 2 在多項測試中接近 GPT-6.1 Sol 和 Claude Opus 5.5,價格則低得多;MAI Image 2.7 可修改圖片中的個別物件,MAI Realtime 1 則能處理語音對話中的插話和背景噪音。各模型的開放方式不同,有些已能使用,有些仍在預覽或只提供特定客戶。文中的效能與價格比較主要來自 Microsoft 的測試和說法。
Arena.ai@arena品質評分4242
Dev.to Top Tech精選品質評分8787 OpenAI 推出 GPT-6.2 Astra 和 Sol,令牌更便宜但評價不一
處理困難任務時,模型用掉的輸出令牌和費用都會影響能在訂閱額度內完成多少工作。OpenAI 推出 GPT-6.2 Astra 和 GPT-6.2 Sol,兩款模型都已能透過 API 使用;OpenAI 表示,它們做複雜工作時成果更好,也會用掉較少輸出令牌。Astra 面向最困難的任務,Sol 則主打日常使用。Astra 每百萬令牌收費為 $8/$40,Sol 維持 GPT-6.1 的 $2/$10;Astra 的快取輸入每百萬令牌 $0.40。文章整理的測試結果顯示,兩款模型各有表現出色之處,但 Astra 並非每項測試都勝過 Claude Fable 5.2;實際使用者也反映它溝通方式令人困惑。
推薦理由:GPT-6.2 Astra 與 Sol 的價格和測試結果呈現不同取捨,文中也整理了實測中的弱點與比較限制。
MarkTechPost品質評分5656 SID AI 推出 SID-2 搜尋模型,12 個 AI 助理協作的版本拿下 0.720 NDCG
資料搜尋常得先改寫問題、找資料,再重新排序;SID AI 推出的 SID-2 會看過搜尋結果後,決定接著找什麼,最後回傳排好順序的檔案編號。開發者可接上自己的搜尋工具,不必搬動資料或重新建立索引;SID-2 Swarm 還能讓多個 AI 助理分頭搜尋不同資料。在 SID 自行測試的 506 題中,12 個 AI 助理協作的版本拿下 0.720 NDCG,高於測試表中的 GPT-6 Astra 0.704。這些結果來自 SID 自行評測,報導也指出模型大小與權重尚未公開。
Simon Willison精選品質評分8282 OpenAI 推出 GPT-6.2 Astra 和 GPT-6.2 Sol,作者比較價格與動畫成果
OpenAI 推出 GPT-6.2 Astra 和 GPT-6.2 Sol,分別面向較難的工作和日常使用。作者比較了兩款模型的價格,也用 Codex CLI 讓它們製作同一段動畫:讓 Yonkers 變成大型機甲,在紐約市幾個地區行走。作者認為兩款模型都沒有做好機甲變形,表現不如 Claude Fable 5.2 和 Gemini 4 Carbon。Astra 的輸入價格比前一代低,快取價格也更便宜;Sol 則維持原價。作者也提到,Astra 在部分基準測試的分數不如 Fable 5.2,長時間工作時還可能提出難以回答的實作細節問題。
推薦理由:文章整理兩款模型的價格差異,也用同一項動畫任務比較輸出,能看出成本與實際表現各有不同。
Hacker News (official RSS)品質評分6969 Tencent 推出 Hy4 flash,主打更省錢地處理日常工作
日常工作常要在成果品質、完成時間和費用之間取捨。Tencent 推出 Hy4 flash,這款多模態模型每次處理 token 時啟用 12B 引數,並提供 1M-token 上下文視窗。Tencent 表示,在 WorkBuddy 評估中,它的日常任務品質接近 Hy4,平均完成時間少了 70%,費用約為 Hy4 的 1/15;但處理需要長時間投入的程式開發工作時,Hy4 的能力上限較高。Hy4 flash 已在多項 Tencent 服務提供,Tencent 也計畫推出開放權重版本。
aihot品質評分3838 Fireworks AI 評測 Kimi K3.1 Pro:AI 助理該換用它,還是搭配其他模型?
Fireworks AI 用 21 項基準測試評估 Kimi K3.1 Pro,從任務表現、模型成本和執行時間,分析它適不適合取代目前使用的模型,或和其他模型搭配。這份評測能幫人看出它在哪些工作上較適合使用,再決定要不要換。
Dev.to Top Tech精選品質評分8686 GPT-6.2 Astra 與 Sol 價格比較及自動化分流設定
OpenAI 推出 GPT-6.2 Astra 和 GPT-6.2 Sol,讓自動化流程可以依工作難度選模型。Astra 適合多步驟規劃、複雜檔案和程式修改;Sol 適合分類、擷取資料和撰寫短文。文章列出的 API 價格中,Sol 的輸入和輸出 token 費用都是 Astra 的四分之一;若 Sol 的結果格式錯誤或缺少欄位,可改用 Astra 重試。文中也提醒,OpenAI 在兩項測試中發現,兩個模型有時不會說明工作受阻的原因,因此自動化流程仍應檢查檔案是否存在、工具呼叫是否成功。
推薦理由:文章把日常步驟交給 Sol、較難的工作交給 Astra,並在檢查失敗時升級處理,呈現一種兼顧成本與可靠度的分流做法。
Vercel Blog精選品質評分8585 Vercel AI Gateway 迎來 GPT‑6.2 Astra 與 Sol
Vercel AI Gateway 現已支援 OpenAI 的 GPT‑6.2 Astra 與 Sol。Astra 適合複雜多步專案,支援程式碼變更、檔案範本與電腦使用;Sol 針對日常編碼、寫作與代理工作流程,能從簡短需求建置互動式網頁。使用者可透過 API 指定模型 ID,並可啟用 Ultrafast 服務,降低成本;亦可在 Vercel CLI 內設定並於 Codex、Cursor 等編碼代理使用。
推薦理由:瞭解 GPT-6.2 Astra 與 Sol 在 AI Gateway 的功能差異與使用方式
aihot精選品質評分6868 OpenAI 推出 GPT-6.2 Astra 和 GPT-6.2 Sol,登上 OpenRouter
挑模型時,任務難度和使用成本常要一起考量。OpenAI 的 GPT-6.2 Astra 和 GPT-6.2 Sol 已在 OpenRouter 上線,也都提供 Pro 版本。Astra 面向較困難的專案,每百萬個輸入 token 收費 $8、輸出 token 收費 $40;Sol 則面向日常 AI 助理工作,輸入收費 $2、輸出收費 $10。原文也提到,Astra 的每項任務成本不到 GPT-6 Astra 的三分之一,並在評測中創下新高。
推薦理由:Astra 和 Sol 分別面向高難度專案與日常 AI 助理工作,文中列出兩者的輸入、輸出價格,方便比較不同任務的成本。
Dev.to Top Tech精選品質評分8181 IFM 公開 K2-Horizon 六款模型及訓練資料,最大款有 375B 引數
許多開放模型只提供權重,外界很難知道訓練資料怎麼來、模型又是怎麼做出來的。IFM 公開了 K2-Horizon 六款模型的權重、訓練資料、中途檢查點、訓練紀錄和製作資料的流程,也提供訓練與評估用的程式碼。模型從 0.9B 到 375B-A23B,適合不同規模的工作;其中 36B-A4B 使用的啟用引數較少,論文稱它的表現接近用相同資料訓練的 32B 模型。這些效能說法尚未經獨立測試,作者也沒有親自試用;公開資料讓人能研究和微調,但從頭重訓需要大量運算資源。
推薦理由:K2-Horizon 同時公開權重、訓練資料與製作流程,讓人能檢視模型如何建成,也能比較不同規模的模型。
Dev.to Top Tech品質評分7171 在單一卡上跑 65B 密集碼農模型:記憶體頻寬與 2 位元檔案的代價
開發者常會想在自己的 GPU 上跑大型語言模型,但記憶體和頻寬常成瓶頸。作者測試了 Ripple-65B 在 RTX A6000(48 GB)與 RTX 3090(24 GB)上,發現模型會每個 token 從 GPU 記憶體讀取整個權重檔,速度受限於記憶體頻寬。透過 4 bits、2 bits 量化把檔案大小從 130 GB 縮到 38.8 GB/20 GB,令每秒產生 14‒31 個 token,並利用 llama.cpp 的 KV快取量化讓 256K token 的提示也能放入同一張卡。這樣的配置讓單卡即可支援 AI 助理的長篇對話與程式碼生成,雖不快但足以做開發與測試。
The Decoder精選品質評分7777 Alibaba 發布 Qwen4-Max,以較低成本挑戰 Opus 5.5、GPT-6 和 Kimi K3.1 Pro
長時間工作和大量資料會讓 AI 模型花更多時間與費用,Alibaba 推出 Qwen4-Max,主打用較少 token 處理長內容和專業任務。它能直接看圖片,並提供一百萬 token 的上下文視窗;在 Alibaba 的 Work360 測試中,平均每項任務成本從 $4.43 降到 $1.67,分數也從 47.74 升到 52.69。外部評測結果不一:它在長時間 AI 助理任務表現突出,但在部分考試和程式開發測試落後競品。新功能 Live Delivery 會先交出可用的初版,讓使用者途中介入調整。Qwen4-Max 已可透過 QwenCloud 等服務使用,Alibaba 表示之後會開放較小型 Qwen4 模型。
推薦理由:Qwen4-Max 在自家工作任務中以較少 token 降低成本,外部評測表現則有高有低,可看出效率與不同能力之間的取捨。
NVIDIA Newsroom Press Releases精選品質評分7878 NVIDIA 推出 Nemotron for Science,協助研究人員打造科學用 AI 助理
研究人員要讓模型處理化學、生物等專門問題,得準備合適的資料,還要確認模型能不能做好。NVIDIA 推出 Nemotron for Science,整合 Nemotron 3.5 Super VL、新的化學資料集和微調配方,讓研究人員能調整模型、打造科學用 AI 助理。資料集 LitmusBench v0.2 收錄近 50,000 個化學問題,可用來訓練和評估模型;研究人員也能讓 AI 助理解讀科學資訊、撰寫程式碼並使用計算工具。Nemotron 3.5 Super VL 和資料集目前已可在 Hugging Face 取得。
推薦理由:LitmusBench v0.2 同時提供化學推理的評估資料與訓練用途,搭配微調配方,讓研究人員能檢查模型能力並調整模型來處理科學任務。
Dev.to Top Tech精選品質評分7878 Tencent 推出 Hy4 flash,以較低成本處理日常工作
日常工作常要處理長檔案、圖片和表格,但使用大型模型的費用可能不低。Tencent 推出 Hy4 flash,主打保留 Hy4 的長篇上下文和文字、圖片輸入能力,降低處理費用;它有 224B 引數,每次運算只啟用其中 12B。Tencent 表示,在自家 WorkIndex 測試中,每項任務的成本是 Hy4 的二十分之一,但這是廠商內部測試,不能當成能力排名。另有 85 位 WorkBuddy 使用者評分 259 項任務,結果只反映他們在該產品中的使用感受。模型可透過 WorkBuddy、Yuanbao 和 Tencent Cloud TokenHub 使用,Tencent 也計畫釋出權重。
推薦理由:Hy4 flash 以較低成本換取部分能力,文中比較了定價與內部測試,也說明盲測範圍有限,可供評估日常工作是否適用。
Dev.to Top Tech精選品質評分8080 Alibaba 推出 Qwen4-Max,編碼測試領先但不開放下載
挑選編碼 AI 助理時,測試成績、實際表現和費用可能差很多。Alibaba 推出 Qwen4-Max,表示它在自家編碼測試中領先 Claude Fable 5.1 和 Kimi K3.1 Pro;但 Agent Arena 的即時任務排行中,Qwen4-Max 排在第 14 名,Claude Fable 5.2 則排第 1。兩種結果來自不同測試,不能直接當成同一場比賽。Qwen4-Max 只提供雲端服務,不能下載或自行架設,文中列出的價格也比 Claude Fable 5.1 低。作者建議先用自己的程式專案測試品質,再算清楚省下的費用是否值得放棄自行架設的彈性。
推薦理由:Alibaba 的測試結果與 Agent Arena 的實際工作成功率差距明顯,這提醒讀者評估編碼模型時,也要用自己的程式專案測試。
Vercel Blog品質評分4747 Qwen4-Max 登上 Vercel AI Gateway,支援寫程式、製作 3D 場景和長時間工作
Qwen4-Max 是 Alibaba Qwen4 系列的第一個模型,現在可透過 Vercel AI Gateway 使用。它能看懂圖片,也能處理長篇工作,例如在 Blender 製作 3D 場景,或在 Unity、Unreal Engine 和 Godot 製作能玩的遊戲;完成後還會看畫面找出鏡頭、動畫或燈光問題,再動手修改。處理財務、法律和醫療工作時,它也能使用 MCP 工具整理大量檔案和圖片,產出附有資料來源的報告、試算表和簡報。 遇到需要很久的工作時,Qwen4-Max 會先交出能用的初步成果,再一輪輪改進,讓人可以邊看邊調整方向。Alibaba 也將推出一個搭配這種工作方式的 Live Delivery 外掛。和先前的 Qwen Max 模型相比,Qwen4-Max 完成相同工作的 token 用量較少,預設寫出的程式也較安全;Vercel AI Gateway 則不加價收取模型費用,也不收推論平臺費。
Hacker News (official RSS)精選品質評分8686 千問推出 Qwen4-Max,主打長時間工作與分段交付
處理複雜工作時,AI 助理可能要花很久才交出成果,使用者也不容易及早發現方向錯了。千問推出 Qwen4-Max,主打長時間執行任務,並用 Live Delivery 先交出可用的初版,再依執行結果和使用者回饋逐步修改,讓人隨時檢視進度、修正方向。千問也展示了它用於 3D 建模、遊戲製作、法律檔案整理和雲端資源排程等工作的案例。官方表示,在 Work360 評測中,Qwen4-Max 得分 52.69,高於 Qwen3.8-Max 的 47.74;該評測的單項任務平均成本也從 $4.43 降至 $1.67。
推薦理由:Qwen4-Max 把長時間工作、分段交付與使用者回饋放進同一流程,文中也以實際工作案例說明如何逐步完成複雜任務。
iThome (臺灣)精選品質評分7878 Google 推出 Gemini 4 Hydrogen,速度比前代快 2.5 倍
處理日常工作時,大家常得在回覆速度和複雜任務能力之間取捨。Google 推出 Gemini 4 Hydrogen,主打程式撰寫和日常 AI 助理工作流程,表示它比前代 Gemini 3.8 Flash 快 2.5 倍;也能和 Carbon 或 Argon 搭配,由 Hydrogen 寫程式、修正錯誤和跑測試,較大型的模型負責複雜判斷。它已提供給多種 Google 產品與服務,每百萬 token 的輸入和輸出價格分別是 1.5 美元和 7.5 美元。
推薦理由:Gemini 4 Hydrogen 主打日常工作所需的速度,也能和 Carbon 或 Argon 分工,文中提供了速度、用量與價格比較。
aihot精選品質評分8181 Qwen4-Max 登上 Agent Arena 中國模型榜首,首度排名總榜第 14
Qwen4-Max 在 Agent Arena 首次登場,總榜排第 14,成為榜上排名最高的中國模型。這份排行榜根據社群提供的 14.7k 次真實 AI 助理對話整理;相較 Qwen3.8-Max,Qwen4-Max 的淨提升為 +7.5%,在工作、聊天和程式類別也都是排名最高的中國模型。Alibaba 的公告另稱,新模型採用 MoE 架構,原生支援視覺,並有 1M token 上下文視窗;API 已在 QwenCloud 上線。
推薦理由:Qwen4-Max 首次登上 Agent Arena,並在工作、聊天與程式類別領先榜上其他中國模型,可從多種真實任務表現瞭解這次更新的差異。