Claude Mythos 5.2 預測基因治療載體 AAV 衣殼結構
Claude Mythos 5.2 預測出用於遞送基因治療的 AAV 蛋白質衣殼完整結構。 方法:模型編寫程式碼,對相鄰五鏈分組執行開源折疊模型,再利用衣殼對稱性拼合全部 60 條鏈。 結果:在 AAV2 上,預測結構與實驗結構的誤差約為一個原子寬度。
推薦理由:從相鄰五鏈分組預測到利用衣殼對稱性拼合,原文交代了方法與 AAV2 的誤差結果,可供理解模型在結構生物學任務中的表現。
模型到底誰強:Benchmark 成績、評測方法論爭議與排行榜變化的持續記錄。
Claude Mythos 5.2 預測出用於遞送基因治療的 AAV 蛋白質衣殼完整結構。 方法:模型編寫程式碼,對相鄰五鏈分組執行開源折疊模型,再利用衣殼對稱性拼合全部 60 條鏈。 結果:在 AAV2 上,預測結構與實驗結構的誤差約為一個原子寬度。
推薦理由:從相鄰五鏈分組預測到利用衣殼對稱性拼合,原文交代了方法與 AAV2 的誤差結果,可供理解模型在結構生物學任務中的表現。
Claude Fable 5.2 已推出,文章整理 Anthropic 公佈的基準測試、Vals AI 的首批獨立測試,以及價格與開發者回饋。\n\n- Anthropic 測試:FrontierCode 2.0 得分 49.1%,FrontierSWE v2 得分 69.9%;文章指出,部分基準由其他模型領先。
推薦理由:文章並列 Anthropic 與 Vals AI 的測試結果,也呈現不同工作專案的排名落差,可用來理解排行榜表現與實際任務評估之間的差異。
推薦理由:同一模型在兩種 ARC-AGI-3 測試架構下的分數與成本不同,並列 ARC-AGI-1、2 的結果,可看出評測架構和任務成本如何影響比較。
Anthropic 與 Diode Computers 合作,測試 Claude Fable 5.2 能否從簡單提示詞出發,設計三種電子裝置並製作可運作的原型。
推薦理由:文章以三款實際製作的原型和兩項基準,呈現 Claude Fable 5.2 在電路板佈局與硬體設計上的進展,也交代原型尚未經過的驗證。
推薦理由:多項基準呈現 Muse Ember 的成本與能力取捨,涵蓋AI 助理程式開發、知識準確率及拒答率,便於比較不同用途的表現。
處理長提示詞時,DeepSeek-V4.1-Flash 的 Prefill 會排隊,等待時間也拉長。Ant International AI Infra Team 在 8 張 H200 上用 SGLang 分開處理提示詞和逐字生成,並調整索引器計分、Prefill 分塊與 MoE 資料傳送,也讓有限重播能搭配 CP 和 DSpark。合併設定的 8 個測試案例中,E2E 延遲降低約 15%–64%,但每個輸出 token 的時間增加 3%–52%;GSM8K 準確率則從 96.74% 降到 95.38%。文章提醒,整體結果包含多項改動,不能把改善歸功於單一調整;有限重播也會省略部分區域性運算,可能影響答案品質。
推薦理由:文中把各項加速分開測量,也列出合併設定的延遲與 GSM8K 變化,呈現輸入處理變快和逐字生成變慢之間的取捨。
作者以 140 張影像、一份 6 頁帳單及多種真實 API 呼叫,比較 Textract、Bedrock Data Automation(BDA)與視覺 LLM 擷取帳單資料的準確度、成本和錯誤檢查方式。
推薦理由:這項比較以 40 張合成帳單照片、95 張真實收據及一份多頁帳單測試抽取工具,並量化設定變更與交叉核對對錯誤攔截的差異。
blqsort 以分支消除、排序網路與穩健的樞紐選取加速快速排序;文章比較它與 std::sort 在不同資料型態及平臺上的排序時間。
推薦理由:文章以 5,000 萬筆資料的測試呈現 blqsort 與 std::sort 的耗時差異,也說明分支消除、排序網路與樞紐選取如何共同影響排序效能。
Darwin-180B-RSI-R3 在 SuperCLUE 2026 年 11 月數學與科學推理測試中獲得 73.68 分,排名第 2,並列開放權重模型第 1。
推薦理由:Darwin-180B-RSI-R3 在 SuperCLUE 數理推理維度排名第二、開放權重模型排名第一,但五維綜合排名為第九,呈現其能力集中於特定評測專案的差異。
GPT-Image-2.6新增原生 GIF 生成、跨對話角色記憶、結構引出線對齊與 SVG 輸出等能力,作者以多組動圖提示詞和三項靜態功能進行實測。本文由 AIHOT 聚合整理,作者分享的測試結果包括: - GIF 生成:可生成 2–16 幀短迴圈 GIF,文中展示黏土動畫、表情包、動態貼紙、Loading 圖、圖表與產品介面演示等玩法。
推薦理由:文章以多組動圖與靜態圖實測呈現 GPT-Image-2.6 的新增能力、瑕疵與成本變化,可供評估是否值得調整既有工作流程。
推薦理由:對照 GPT Image 2.5 的測試呈現兩款新模型在生成速度、品質與費用上的差異,並列出各自的基準表現與適用特點。
推薦理由:ARC Prize 提供 ARC-AGI-1 與 ARC-AGI-2 的分數及單題成本,可比較 Inkling 2 Small 在兩項基準上的表現與成本。
AI 助理要查商品、比價或填表時,網站看到的網路位置和連線是否中斷,都可能影響工作能不能完成。Browser Use 用相同的瀏覽器設定測試七家住宅代理服務,比較價格、地點選擇、連線能維持多久,以及網站存取和表單工作的結果。測試中,有些工作雖然換了 IP,仍能接回已存的內容;另一些連線出錯,無法確認草稿是否恢復。測試次數不多,不能用來排出普遍的可靠度名次,作者建議用自己的網站和工作流程實測,並把重試耗掉的流量算進成本。
推薦理由:文章用相同的瀏覽器設定比較七家住宅代理服務,也整理各自的價格與限制,並說明小規模測試為何不能代表所有網站和工作流程。
推薦理由:Inkling 2 Small 在 AA Intelligence Index 得分提升的同時,輸出 token 數與單次任務成本也增加;各項基準差異可用來比較其代理任務、程式編寫與研究能力。
推薦理由:Artificial Analysis 同時比較 FLUX 3 Image Klein 的文字生圖與圖片編輯排名,並列出 API 單張價格及授權條件,方便衡量成本與使用限制。
推薦理由:Artificial Analysis Intelligence Index v5 與多項基準呈現 Hy4 的推理、程式代理和知識表現,也揭示其幻覺率與成本差異。
Arena.ai 分享 Agent Arena 長時程任務的成本比較:近 14 天有近 30,000 項任務執行超過 1 小時,每小時平均呼叫工具 332 次。
推薦理由:近 30,000 項長時程任務的成本資料,呈現 Gemini 4 Carbon、Claude Opus 5.5 與 GPT-6 Astra 在每小時工作費用和評分上的取捨。
Artificial Analysis 更新 API 效能基準,改以 Time per Task 比較模型完成任務所需時間,並將完整請求耗時與代理式工作負載納入評測。
推薦理由:新指標把首 token 等待與完整輸出時間納入任務耗時,並以多種工作負載比較模型,呈現 token 速度與完成任務所需時間的差異。
Arena 公佈 Agent Arena 評測結果,Hy4 在整體排名第 14,於 8.5K 多場真實世界長時程AI 助理任務中帶來 4.7% 的淨改善。
推薦理由:這份評測以長時程AI 助理任務比較 Hy4 與 Kimi K3.1 Pro 的分數及每項成本,呈現兩者表現接近時的價格差異。
建築師以兩項實作測試比較 13 個模型,發現 Claude Opus 5.5 在人工指導與修訂下,能為簡單建築產出接近申請建照水準的施工圖,也能依照片與草圖繪製既有建築的平面、立面與細部圖。
推薦理由:作者以兩項建築製圖測試比較 13 個模型,呈現 Claude Opus 5.5 在人工修訂下完成圖面的能力與仍存缺陷,並討論技術繪圖成本下降對建築工作的影響。