Naive-N0.5-Flash 编程评测：宣传的 2,100 tokens/s 在实测中表现如何
Latent Space 作者实测 NaiveAI 的 Naive-N0.5-Flash 编程能力，与 DeepSeek V4.1 Flash 1017 和 GLM 5.3 Flash 对比。
#评测/基准
Latent SpaceAI 评分6363 The DecoderAI 评分7474 Google 正式开放 Gemini 4 Carbon，并预告 Antigravity 的 /swarm 多智能体功能
The Decoder 报道，Google 在两周测试期后正式开放 Gemini 4 Carbon，可经 Gemini API、Google AI Studio、Android Studio 或 Gemini for Business 使用，输入 2 美元、输出 10 美元每百万 token 的 introductory 价格。
The DecoderAI 评分7474 Anthropic Fable 5.2 在 Remote Labor Index 上完成 41.3% 真实外包任务，居榜首
Anthropic 新模型 Fable 5.2 在 Scale Labs 和 CAIS 的 Remote Labor Index 基准上以 41.3% 的完成率领先，远超一年前基准发布时 Manus 的 2.5%，也约为 Fable 5 七月约 16% 得分的 2.5 倍。
Simon WillisonAI 评分6363 Meta 发布 Muse Ember 小模型，Simon Willison 对比其与 GPT-6 Luna、Claude Haiku 5.5 的定价与效率
Meta AI 发布其最小、最高效的模型 Muse Ember 1.0，面向复杂推理执行和智能体日常任务如工具调用、编码子任务和长文档解析，短提示定价与 GPT-6 Luna 和 Claude Haiku 5.5 相同，均为输入 $0.10/百万、输出 $0.50/百万 token。
Zyphra Research精选AI 评分6767 Zyphra 发布 ZONOS3-Mini 开源实时语音克隆 TTS 模型
Zyphra 发布 ZONOS3-Mini，一个零样本语音克隆 TTS 模型，采用稀疏 MoE 架构，1 亿活跃参数、8 亿总参数，Apache 2.0 许可，在 112 块 NVIDIA H100 上训练 2.5 天。
推荐理由：原文给出参数规模、端侧延迟数字和 ZTTS2-Eval 排名，开源权重与多端运行时可帮助读者评估实际部署成本。
Anthropic：Research精选AI 评分7373 Anthropic 测试 Claude Fable 5.2 端到端设计三款电子设备
Anthropic 与 Diode Computers 合作，让 Claude Fable 5.2 设计扬声器电话、语音助手中枢和手持电子宠物三款设备，模型完成了原理图、PCB 布局、3D 外壳、固件和物料清单，Diode 直接按其设计文件制造的三个原型均可运行。
推荐理由：官方实测记录了 Claude Fable 5.2 从原理图到固件完成三台设备设计的过程与基准分数，读者可以据此评估模型在硬件工程任务上的实际能力。
Artificial Analysis 完整文章精选AI 评分6666 Artificial Analysis 评测 Meta Muse Ember：36 分 Intelligence Index 下每任务成本最低的模型
Artificial Analysis 评测 Meta 新模型 Muse Ember，其在 Intelligence Index 得 36 分，是达到该分数中每任务成本最低的模型（max 档 $0.14）。
推荐理由：原文给出 Muse Ember 与同价位模型在各基准和每任务成本上的对比数据，读者可据此评估其性价比与适用场景。
SemiAnalysis 长文 RSSAI 评分7171 SemiAnalysis 发布 TPUv7 首批 InferenceX AgentX 智能体推理基准结果
SemiAnalysis 发布首个基于 InferenceX/AgentX 的 TPUv7 长上下文多轮智能体推理官方基准结果，覆盖 Muse Spark Open、GLM-5.2、Qwen3.5 397B、Kimi K3 四个模型。
Hugging Face BlogAI 评分5858 Phonon 端侧 TTS 发布复盘：31m 开源可商用，CPU 流式首包延迟登顶
Gradium 团队在 Phonon 开放两周后复盘这次发布，介绍这款在设备本地运行、无需网络和服务器的小型 TTS 模型。
Artificial Analysis 完整文章精选AI 评分7171 Thinking Machines 发布 Inkling 2 Small，计划开源权重
Thinking Machines 发布 Inkling 2 Small，Artificial Analysis Intelligence Index 得分 31，较 Inkling Small 提升 18 分，计划以 Apache 2.0 发布权重，若落地将成为中国以外得分最高的开源权重模型。
推荐理由：Artificial Analysis 给出独立跑分与成本细节，读者可对比 Gemini 3.8 Flash 等模型判断其智能体与编码能力定位。
Artificial Analysis 完整文章AI 评分5959 Nanbeige 发布开源推理模型 Nanbeige4.3-33B，Intelligence Index 得分 20
Artificial Analysis 报道，BOSS 直聘旗下 Nanbeige 发布开源权重推理模型 Nanbeige4.3-33B，在 Artificial Analysis Intelligence Index v5 上得 20 分，与 Qwen3.8 27B (xhigh) 持平。
Fireworks AI精选AI 评分7070 Kimi K3.1 Pro 上线 Fireworks，支持按 token 计费与专属部署
Moonshot AI 的 Kimi K3.1 Pro 在发布当天即上线 Fireworks，支持 serverless 按 token 计费和专属部署两种方式。
推荐理由：Fireworks 官方给出了 K3.1 Pro 在多个生产级基准上的名次与定价细节，读者可据此评估其在长上下文和 Agent 场景的成本收益。
Ai2 / Allen Institute for AIAI 评分5454 Ai2 发布 OlmoEarth v1.3 卫星嵌入模型并开放全球预计算嵌入
Ai2 发布卫星嵌入模型 OlmoEarth v1.3，读取 Sentinel-1、Sentinel-2 和 Landsat 时间序列，为每个 10 米像素生成 128 维向量，并在 27 项评测中的 20 项上超过 AlphaEarth Foundations 和 Tessera v2。
Mistral AI精选AI 评分6262 Mistral 发布时间序列基础模型 Timestral，最大 209M 参数在 GIFT-Eval、TIME 和 fev-bench 排名第一
Mistral 发布其首个时间序列基础模型家族 Timestral，提供 5M、28M、123M 和 209M 四种规格。最大 209M 模型在 GIFT-Eval、TIME 和 fev-bench 三个公开基准的预训练零样本模型中五项指标全部排名第一，28M 模型在 GIFT-Eval 和 TIME 上击败约四倍大小的 Chronos-2。
推荐理由：Mistral 发布首个时间序列基础模型系列，正文给出三个基准的成绩、CPU 推理延迟和可微调部署路径，读者可据此评估其落地方式。
Mistral AI精选AI 评分7474 Mistral 发布 Mistral Large 4 公开预览：1 万亿参数多模态开源权重模型
Mistral 发布 Mistral Large 4（ML4，昵称 le Chonk）公开预览，1 万亿参数、520 亿激活参数的原生多模态模型，预览 API 已在 Mistral Studio 开放，权重将于本月底发布。
推荐理由：官方给出具体基准数字、开放权重时间表和欧洲自建训练基础设施，读者可据此判断它在开源模型中的位置。
Fireworks AI精选AI 评分7171 Fireworks 评测 DeepSeek-V4.1-Flash：DeepSWE 达 GPT-6 Astra 水准、单任务成本仅 1/15
Fireworks 发布 DeepSeek-V4.1-Flash 基准评测，在 DeepSWE 上以 74.34% pass@1 达到 GPT-6 Astra 级编码准确率，单任务成本 $0.43，约为 Astra 的 1/15。
推荐理由：Fireworks 用自家 DeepSWE 实测数据拆解成本结构，指出缓存命中而非输出才是 agent 开销主因，方法可迁移。
Fireworks AIAI 评分4444 Fireworks AI：DeepSeek V4 Pro 正在重塑安全智能体的成本经济学
Fireworks AI 用 UC Berkeley 的 CyberGym 基准测试了 DeepSeek V4 Pro 0813、Kimi K3、GPT-5.5 和 Claude Opus 4.8 在真实漏洞攻防上的表现。
Together AI 研究与产品博客精选AI 评分6868 Together AI 用 DeepSWE 对比 GLM-5.3 与 Claude Fable 5：成本、编码与路由
Together AI 在 DeepSWE 113 个任务、各 4 次试验共 904 次 rollout 上对比 GLM-5.3 与 Claude Fable 5。
推荐理由：基于 904 次 rollout 的逐任务原始数据对比两款编码模型，读者可以据此决定默认用哪个模型、以及何时值得为 Rust 和序列化任务多花钱。
Recode China AIAI 评分6767 Qwen3.8-27B 发布：27B 级智能模型如何兼顾本地部署与性能
文章分析了阿里巴巴上周五发布的 Qwen3.8-27B，指出 27B 是本地部署的甜点位，可在 24~64GB 内存和 RTX 5090 等消费级 GPU 上运行，满足开发者对数据隐私和固定成本的需求。
Together AI 研究与产品博客精选AI 评分6565 DeepSeek V4 Pro 0813 与 Claude Fable 5 在 DeepSWE 上的成本、编码与路由对比
Together AI 在 DeepSWE 全部 113 个任务上实测 DeepSeek V4 Pro 0813 与 Claude Fable 5，共 904 次 rollout。
推荐理由：原文以 904 次 rollout 实测两个模型在 DeepSWE 的成本与质量差异，并给出可迁移的级联路由方案及其实测准确率和成本。
OpenAI：部署安全与系统卡AI 评分4949 GPT-5.6 八月更新：OpenAI 发布部署安全详情与青少年安全评估
OpenAI 在 GPT-5.6 的八月更新中说明 GPT-5.6 Sol 和 GPT-5.6 Luna 的训练数据来源与安全措施，并首次引入面向 18 岁以下用户的 U18 专项评估，涵盖自残、饮食障碍、年龄限制商品和不当性内容等场景。
Timothy B. Lee：Understanding AI精选AI 评分8282 OpenAI 模型在 AtCoder 世界总决赛两个赛道全面超越人类顶级选手
2026 年 AtCoder 世界总决赛上，OpenAI 模型在启发式赛道“彻底击溃”人类选手，Psyho 估算人类至少还需数天才能追上其分数；次日算法赛道 7 小时内解出全部 5 题，包括 12 名人类顶尖选手无一解出的 2 题，主办方为其颁发了两个“人类投降”奖。作者认为这可能是人类最后一次有机会在与顶级 AI 模型的编程竞赛中取胜。
推荐理由：作者采访去年击败 AI 的冠军 Psyho，给出 2026 年 OpenAI 模型在两个赛道的具体表现和冠军本人的差距估算。
OpenAI：部署安全与系统卡精选AI 评分7878 OpenAI 发布 GPT-5.6 系统卡，将 Sol、Luna、Terra 生物化学能力评估为 High
OpenAI 发布 GPT-5.6 系统卡，将 GPT-5.6 家族三个模型 Sol、Luna、Terra 在生物化学领域预防性评估为 High 能力，未达 Critical。
推荐理由：OpenAI 官方系统卡给出 GPT-5.6 家族生物化学能力被评为 High 的依据、部署模拟预测方法和安全回归细节，可了解其安全评估如何运作。
OpenAI：部署安全与系统卡AI 评分4949 GPT-Live 系统卡：GPT-Live-1 语音安全评测修正后的分数变化
OpenAI 发布 GPT-Live 系统卡，说明 GPT-Live-1 与 GPT-Live-1 mini 的训练数据、过滤流程及语音原生安全评测。8 月 4 日更正评测配置后重跑评测，GPT-Live-1 在非法行为上从 0.97 回归到 0.95，GPT-Live-1 mini 从 0.94 回归到 0.91，另有性内容与血腥内容分数下降，但均未低于安全上线标准。
OpenAI：部署安全与系统卡精选AI 评分6767 OpenAI 发布 GPT-5.6 Preview 系统卡：生化能力按 High 预防性处理
OpenAI 发布 GPT-5.6 Preview 系统卡，覆盖 Sol、Luna、Terra 三个模型。用 ChatGPT 生产流量做部署模拟预测违规率，预计 GPT-5.6 Sol 每 10 万轮对话约 8.6 轮违反骚扰政策；相对 GPT-5.5，性类违规内容从 0.05% 升至 0.07%，心理健康类违规响应从 0.03% 降至 0.02%。
推荐理由：OpenAI 官方系统卡披露 GPT-5.6 家族被预防性列为生化 High 能力，并给出部署模拟的违规率预测方法与结果，读者可借此了解其安全评估口径。
Zyphra Research精选AI 评分6868 Zyphra 发布 Apache 2.0 开源实时 TTS 模型 ZONOS2
Zyphra 发布开源实时语音合成模型 ZONOS2，采用 MoE 架构，总参数 8B、激活参数 900M，Apache 2.0 许可，称其为首个开源 MoE TTS 模型。
推荐理由：官方同时放出权重、推理代码和自建评测集，还解释了 WER 与克隆保真度的权衡，读者可据此评估其语音克隆路线。
Thinking Machines Lab：NewsAI 评分7171 Thinking Machines Lab 发布交互模型研究预览 TML-Interaction-Small
Thinking Machines Lab 宣布交互模型研究预览，模型原生处理音频、视频和文本的实时交互，而非依赖外部脚手架，采用 200ms 微轮次的多流设计，并由交互模型与异步背景模型分工协作。
OpenAI：部署安全与系统卡精选AI 评分7777 OpenAI 发布 GPT-5.5 系统卡，评定生物化学领域为 High 能力
OpenAI 发布 GPT-5.5 系统卡，将该模型在生物和化学领域评定为 High 能力并启动相应 Preparedness 防护。与 Gryphon Scientific 合建的未污染隐性知识测评中，GPT-5.5 Pro 在排除拒绝后得 81.67%，略超 80% 的专家共识基线。
推荐理由：OpenAI 官方系统卡给出了 GPT-5.5 的生物化学能力评级与 Apollo Research 第三方评估数据，读者可据此了解其安全边界。
Cognition 模型 / Devin 博客精选AI 评分6464 Cognition 发布 SWE-1.6 早期预览并分享研究进展
Cognition 分享正在训练中的 SWE-1.6 早期预览，当前 checkpoint 在 SWE-Bench Pro 上比 SWE-1.5 高 11%，速度同样为 950 tok/s，并向小部分用户开放早期访问。
推荐理由：Cognition 公开了训练方法细节和 Model UX 的权衡分析，读者可以借此了解 RL 训练编码模型的实际取舍。