GLM-5.3 降低成本，贏得 DeepSWE 路由測試
Together AI 在 904 次 DeepSWE rollout 中比較 GLM-5.3 與 GPT-5.6 Sol。GPT-5.6 Sol 的 pass@1 領先 3.7 個百分點，但 GLM-5.3 以約一半成本取得更高的 pass@4；GLM 優先的級聯策略達到 85.9%。
Search
Tag: #coding-benchmarks12 results
📰
中國 AI 模型以更低成本縮小效能差距
據報導，Moonshot 與 ZAI 的模型效能正接近 OpenAI 和 Anthropic 的模型。這些模型據稱能以比 Claude 低 75% 的成本建構尚可使用的網站，凸顯其在重視成本的程式開發工作流程中的潛力。
Z.ai 推出開源 GLM-5.1，在 SWE-Bench 上擊敗 Opus 與 GPT
Z.ai 發布 GLM-5.1，一款 754B 參數開源 MoE LLM，採用 MIT 授權在 Hugging Face 上提供，可自主工作長達 8 小時。它透過「階梯模式」優化，在 SWE-Bench Pro 上超越 Claude Opus 4.6 與 GPT 5.4。模型可處理 1,700 步驟與數千工具呼叫而不偏離策略。
Gemini Flash 大幅領先，Pro 版本卻停滯
Google 推出 Gemini 3.7 Flash，在程式設計基準測試中取得大幅進步，初始輸入價格為每百萬 token 0.75 美元。與此同時，Gemini 3.5 Pro 仍落後進度數個月，Google 也未確認該模型是否仍會推出。
AI Studio 程式碼曝光 Gemma-4
AI Studio 程式碼中發現「models/gemma-4」參照，暗示即將發布，Kaggle 頁面已上線。兩測試模型—Significant-Otter (120B，不穩定但事實準確) 和 Pteronura (27B 密集型，視覺/程式強)—在 LMArena 表現優異。
MiniMax 平台高峰期實施動態限流：M2.7 模型受歡迎超預期
MiniMax 平台因 M2.7 模型極度受歡迎，將於高峰時段實施動態限流。此舉針對高併發自動化任務，確保資源公平分配。M2.7 近期推出，在程式碼基準測試中表現媲美頂尖模型。
DeepSeek 對決 GPT-5.6 Luna：編碼成本低至 4.8 倍
Together AI 在 900 次 DeepSWE 執行中比較 DeepSeek-V4 Flash 0731 與 GPT-5.6 Luna。GPT-5.6 Luna 的 pass@1 領先 14 個百分點，而 DeepSeek 每美元可完成的解題數量高出 4.8 倍。
主動「認輸」的DeepSeek，這次到底行不行？
文章實測DeepSeek V4長文本、程式碼與推理能力。DeepSeek被定位為主動「認輸」。
預測代理編碼任務效能
提出使用增強項目反應理論（IRT）框架，預測代理式編碼個別任務的成功/失敗。將代理能力分解為 LLM 和支架組件，以跨排行榜彙總資料。能預測未見基準與代理組合，協助基準難度校準。
xAI 創辦人離職潮中重建
Elon Musk 於 2023 年 3 月以 12 名共同創辦人推出 xAI，現已流失六名，並裁員，同時在程式碼基準測試落後。Musk 的應對是第二次從頭重建，以追求最強大 AI。