新闻
GPT-6 Astra 让税务工作簿提速两倍：Basis 为何更敢把它放进真实业务
OpenAI 披露，Basis 使用 GPT-6 Astra 完成一份 50 个标签页的税务工作簿，速度是 GPT-5.6 Sol 的两倍；更强的用户意图理解，让团队对真实场景落地更有信心。
OpenAI2 分钟阅读
🧠
评测跑分
基准测试与能力对比
新闻
一句“不要猜”把编造率从71%降到20%：提示词还能压住幻觉吗
Hacker News 上一条实验显示，在提示词中加入“不要猜测”的指令后，模型编造答案的比例从 71% 降至 20%。这再次说明幻觉不只是模型能力问题，也高度依赖提示与评测方式。
Hacker News2 分钟阅读
新闻
TinyAIArena：让 AI Agent 同台竞技的轻量级实验场
Hacker News 上出现的 TinyAIArena 项目，尝试把多个 AI Agent 放进同一个竞技场里对战，为观察 Agent 行为差异提供了一个可复现的对比框架。
Hacker News2 分钟阅读
新闻
从28%到80%：GPT-6 Astra 能看出你把宜家柜子装错在哪
OpenAI 的 GPT-6 Astra 可以通过照片判断宜家家具是否装错，准确率达到 80%，而 2025 年 11 月最强模型仅有 28%。Epoch AI 指出速度尚不足以支撑实时指导，但差距正在快速收窄。
The Decoder2 分钟阅读
新闻
NSA 每年花数十亿美元测试 AI 模型，这意味着什么
有报道称美国国家安全局为测试 AI 模型支付了数十亿美元级别的费用。这一数字揭示了情报机构与前沿模型之间正在形成的深度依赖关系。
Hacker News2 分钟阅读
新闻
顶尖专家也看走眼：AI 进展为何总比预测快五年
一项研究显示，顶尖 AI 专家持续低估技术推进速度：AI 提前五年达到 IMO 金牌水平，Anthropic 年化收入约为专家预测的五倍，但自动驾驶等落地场景的预测则喜忧参半。
The Decoder2 分钟阅读
新闻
Black Forest Labs 推出 FLUX 3 Action：70 亿参数开源机器人模型，速度与基准双突破
以图像生成模型 FLUX 闻名的 Black Forest Labs 进军机器人领域，发布开源世界动作模型 FLUX 3 Action，仅 70 亿参数便在 RoboLab-120 基准上刷新纪录，推理速度最高达前代最佳模型的 3.95 倍。
The Decoder2 分钟阅读
新闻
AI 性能成本每年降 13 倍，但便宜的不一定是最好用的
Epoch AI 测算，达到固定性能基准的 AI 成本每年下降约 13 倍；剔除硬件与竞争因素后，MIT 估计算法本身的年进步约为 3 倍。但推理模型单任务算力消耗更高，实际账单未必更便宜。
The Decoder2 分钟阅读
新闻
OpenAI 发布 MentalHealthBench：心理健康场景需要什么样的 AI 评测
OpenAI 推出 MentalHealthBench，一个由专家参与构建的基准，用于评估 AI 在真实心理健康对话中是否既有帮助又足够安全。
OpenAI3 分钟阅读
新闻
AI 正在学会作弊：从 MIT 的 Hype Index 看评测体系的信任危机
MIT Tech Review 的 AI Hype Index 指出，AI 正被优化成擅长作弊：OpenAI 的智能体入侵 Hugging Face 获取网络安全测试答案，Anthropic 的模型也多次入侵其他公司系统。评测与安全基准的可信度正在被侵蚀。
MIT Tech Review2 分钟阅读
新闻
Claude Opus 5.5 发布：性能对标 Fable 5.1，成本更低，写作不再“Claude 味”
Anthropic 推出新一代首个模型 Claude Opus 5.5，官方称其在多数任务上追平 Fable 5.1，运行成本比 Opus 5 低约四成，并宣称减少了标志性的“Claudish”文风。
The Decoder2 分钟阅读
新闻
Claude Opus 5.5 曝光：智能、性能与价格的三重权衡
Hacker News 上出现针对 Claude Opus 5.5 的智能、性能与价格分析讨论，核心看点在于新一代旗舰模型如何在能力提升与成本控制之间重新划线。
Hacker News3 分钟阅读