Claude Opus 4.7 基準測試領先程式碼表現
Anthropic 推出 Claude Opus 4.7，其最強通用模型在 SWE-bench Pro 達 64.3%（優於 GPT-5.4 的 57.7%），支援長時程多代理協調、3 倍影像解析度，以及代理推理提升 14% 並減少工具錯誤。定價：每百萬 token 輸入 $5/輸出 $25。
Search
Tag: #agentic16 results
Gemma 4 以 0.20 美元/次主宰基準測試
Gemma 4 31B 在 FoodTruck Bench 上達到 100% 存活率與 +1,144% 中位 ROI，超越 GPT-5.2、Gemini 3 Pro 及所有測試的中國開源模型。只有 Opus 4.6 勝過它，但成本高 180 倍，為每次 0.20 美元。在 22 個測試模型中具最佳成本效能比。
🤖
Kimi 復興：K2.5 超預期
2025 年低谷後，Kimi 於 2025 年 7 月推出 K2 代理模型，2026 年推 K2.5 2.5T 多模態。「注意力殘差」論文挑戰 Transformer 基礎，獲 Karpathy 讚譽。被 Cursor（醜聞）、Perplexity、Cloudflare 採用。
🤖
Mistral Small 4 PR 合併模型系列
Mistral Small 4 在 transformers 的 PR 將 Instruct、Reasoning 與 Devstral 統一為單一混合模型。具備 119B MoE、多模態輸入與可配置推理。以 Apache 2.0 開源，提供代理功能。
Qwen3.6 自主建構塔防遊戲
使用者指示 Qwen3.6-35B 使用 MCP 截圖建構塔防遊戲，它成功實作並測試升級功能。模型自行偵測並修復畫布渲染與波次完成錯誤。對即將推出的 Qwen Coder 模型充滿期待。
Liquid AI 微型 350M 代理模型
Liquid AI 發布 LFM2.5-350M，一款 350M 參數模型，優化用於資料提取、工具使用及代理工作流程。在 28T 權重訓練搭配 RL，勝過 Qwen3.5-0.8B，量化後 <500MB。可在 CPU/GPU/行動裝置運行，提供可靠輸出。
Cursor 推出新型智能體 AI 編碼評測基準
Cursor 推出全新 AI 編碼評測基準，超越 SWE-Bench。它專門評估 Cursor 中不同模型的「智能體」能力。Claude 在此基準上表現不佳，難以應對。
Qwen 3.6 35B 實現「瀏覽器 OS」
使用者分享使用 Qwen 3.6 35B 實現「瀏覽器 OS」，稱其為最佳本地模型結果。貼文連結細節但內容簡短。
阿里巴巴推出 Copaw-9B Qwen 代理微調版
阿里巴巴發布 CoPaw-Flash-9B，為 Qwen3.5 9B 的官方代理微調版。在某些基準測試中與 Qwen3.5-Plus 相當。於 Hugging Face 上提供。
📰
視覺迴圈驗證 LLM Godot 程式碼
自主管線從文字提示使用 LLM 生成可玩 Godot 遊戲。透過分層參考、代理式延遲載入及多階段驗證克服 GDScript 稀缺，包括截圖。開源程式碼可重現。