Thinking Machines Lab 发布 Inkling 2 Small 开放权重模型
Thinking Machines Lab 发布第二代开放权重模型 Inkling 2 Small，总参数量为 594B，每次推理激活 17B，支持 100 万上下文和可调思考力度。
推荐理由：文章梳理了 Inkling 2 Small 的架构、训练和评测表现，并分析其使用 Kimi K3 轨迹带来的开源生态影响。
内容类型
评测基准 最新动态
模型到底谁更强：Benchmark 评测成绩、评测方法的争议与排行榜变化。
9 条精选近 30 天 9 条共收录 60 条
更新
评测基准的精选
极客公园精选AI 评分7777 量子位精选AI 评分7777 腾讯混元 Hy4 发布并因调用激增完成十倍扩容
腾讯混元发布 Hy4，并因其在 WorkBuddy 上线后调用激增，对推理集群进行十倍扩容并提高免费体验额度。Hy4 在 Artificial Analysis 智能指数榜单的 724 款模型中位列中国模型第二，在 Agent Arena 榜单居开源模型第一、总榜第 13 位，单任务成本约 0.78 美元。
推荐理由：Hy4 的扩容、榜单排名与成本数据同时呈现，可用于了解腾讯混元新一代模型的发布重点及性能价格表现。
The Decoder精选AI 评分8484 OpenAI 发布 GPT-6 Cyber 漏洞挖掘与修复模型
OpenAI 发布专用于寻找软件安全漏洞的 GPT-6 Cyber，可在指定边界内发现漏洞、生成可用攻击程序并建议修复方案。该模型在 ExploitGym 的得分为 48.5%，并在 Firefox 和 Linux kernel 真实安全研究中取得结果；相关基准数据均来自 OpenAI，尚无独立测试发布。
推荐理由：材料汇总了模型能力、安全边界和真实漏洞挖掘数据，也说明相关基准目前仅由 OpenAI 自行测试。
IT之家精选AI 评分8080 蚂蚁百灵发布 Ling-3.2-flash 原生多模态模型
蚂蚁百灵推出原生多模态模型 Ling-3.2-flash，具备 560B 总参数、约 25B 激活参数和 1M 上下文窗口。
推荐理由：模型以原生多模态、MoE 参数配置和较低 API 定价切入企业应用，评测结果可用于对照其视觉与 Agent 能力。
量子位精选AI 评分7676 百度开源文心5.5 Flash Base，多项基准达到同尺寸模型 SOTA
百度正式开源文心5.5 Flash Base（ERNIE 5.5 Flash Base），采用 MoE 架构，总参数量2800亿，每个 Token 激活140亿参数。
推荐理由：文心5.5 Flash Base公开了模型架构、训练规模与关键优化，为开发者评估其能力边界和微调价值提供了具体信息。
雷峰网精选AI 评分8080 Gemini 4 Carbon 登顶背后，谷歌为何转向高频模型迭代
Gemini 4 Carbon 发布后在17项基准测试中有15项领先，并在 Artificial Analysis 智能指数中以58分反超 Claude Opus 5.5 和 GPT-6 Astra。
推荐理由：文章将 Gemini 4 Carbon 的榜单表现、体验短板与谷歌高频迭代路线并置，呈现模型竞争如何转向专项强化与内部研发闭环。
爱范儿精选AI 评分7878 爱范儿实测腾讯 Hy4 在 WorkBuddy 中复刻《王者荣耀》
爱范儿在 WorkBuddy 中实测腾讯 Hy4 正式版，模型可依据录屏复刻网页迷你 MOBA，并完成办公文档、3D 场景及应用开发等长程任务。测试覆盖多模态视觉理解、连续电脑操作和错误后的计划调整，作者认为其日常办公与创意任务的交付能力明显优于 preview，但复杂流程仍可能需要多轮交互。
推荐理由：通过办公、编程、3D 建模和游戏复刻等实测，呈现 Hy4 接入 WorkBuddy 后的长程执行与多模态表现。
量子位精选AI 评分8181 OpenAI 全量上线 GPT-Image-2.6，支持 GIF、SVG 与 API 局部重绘
OpenAI 全量上线 GPT-Image-2.6，整体生成时间缩短 50%，最快 6 秒出图，并原生支持 GIF 动图和 SVG 矢量图导出。API 首次提供 Flare、Sunburst 两个型号及 complexity、quality 独立参数，同时开放 Image markup 局部重绘。
推荐理由：GPT-Image-2.6同时提供速度与画质分档、GIF和SVG输出及局部重绘接口，便于评估生图工作流的变化。
The Decoder精选AI 评分8080 MIT 研究用 GPT-6 Astra 直接修改其他 AI 模型权重
MIT 研究人员展示 GPT-6 Astra 无需传统再训练，即可直接分析并修改其他 AI 模型的内部权重，并将其称为 Weight-Space Programming。
推荐理由：研究以 Qwen3.5-0.8B 为例展示了直接修改模型权重的实验效果，也明确呈现了方法受限于模型已有能力的边界。