AutomationBench
PulseAugur coverage of AutomationBench — every cluster mentioning AutomationBench across labs, papers, and developer communities, ranked by signal.
- used by Gemini 4 Carbon 90%
- instance of Gemini 4 Argon 90%
- competes with GPT -6 Astra 80%
- instance of GPT -6 Astra 70%
- instance of Claude (Opus 5.5 70%
- used by GPT-6.1 Sol 70%
- used by LFM2.5-24B-A2B 70%
- used by ERNIE Evolve 70%
- affiliated with Fairwind Program 70%
- competes with Claude (Opus 5.5 60%
- used by Gemini 4 Argon 60%
- used by GPT-6 Sol 60%
13 天有情绪数据
-
Gemini 4 Carbon 以促销价推出，但任务成本各不相同
Google 推出了其 Gemini 4 Carbon 模型，初始促销价为每百万输入 token 2 美元，每百万输出 token 10 美元，这比 Anthropic 的 Claude Opus 5.5 的成本低一半。然而，第三方评估表明，虽然 Carbon 的每 token 成本较低，但其每完成任务的成本可能高于 Claude Fable 5.2，并且在不同的基准测试和任务类型上的性能差异很大。文章建议企业在促销价结束后，根据促销…
-
百度发布文心5.5闪测版，聚焦速度、成本和开源
百度发布了文心5.5闪测版，这是其一周内的第三次重大发布，此前还开源了文心5.5闪测基础版并披露了ERNIE Evolve的进展。该新模型强调效率、成本效益和开源可用性，模型权重将根据Apache 2.0许可证发布。文心5.5闪测版在各种基准测试中表现出竞争力，尤其在编程、3D建模、知识工作和内容创作任务方面表现出色，包括生成完整的游戏演示和2D动画短片。
-
Gemini 4 Carbon 对比 Claude Fable 5.2：性能和定价结果喜忧参半
谷歌的 Gemini 4 Carbon 和 Anthropic 的 Claude Fable 5.2 在编码任务的性能和成本效益方面进行了比较。虽然 Gemini 4 Carbon 在 Terminal-Bench 4.0 和 AutomationBench-AA 等特定基准测试中表现出优势，并且提供较低的入门级 token 费率，但 Fable 5.2 在其他评估中处于领先地位，并在长周期编码任务中表现出色。定价和上下文窗口功能也存…
-
百度在千帆平台发布ERNIE 5.5 Flash预览版，权重将于11月25日开放
百度已在其千帆平台上通过API推出了ERNIE 5.5 Flash模型的预览版，该模型也可在OpenRouter上获得。该模型拥有2800亿参数，每个token有140亿活跃参数，上下文窗口为100万token。百度承诺在11月25日前发布模型的权重，但目前尚未公开下载。该公司声称该模型在编码、内容创作和知识工作方面表现出色，在Terminal-Bench和AutomationBench等开发者中心基准测试中表现具有竞争力，并将其效率…
-
百度发布文心5.5闪测版，支持1M上下文并计划开源
百度正式发布了其最新的基础模型文心5.5闪测版，拥有2800亿参数，每个token激活140亿参数。该新模型支持高达100万token的上下文窗口，在编程、3D建模、知识工作和内容创作方面取得了显著进展。文心5.5闪测版在Terminal-Bench和AutomationBench等基准测试中取得了有竞争力的分数，同时保持了高解码速度，并将于11月25日开源。
-
Meta 的 Muse Ember AI 模型发布，价格低廉但基准测试存疑
Meta Superintelligence Labs 发布了 Muse Ember，这是一个小型多模态模型，专为工具调用和数据提取等代理任务设计，定价结构尤为低廉。尽管价格实惠，但 Meta 报告的基准测试结果与第三方分析之间存在差异，引发了对其性能声明的质疑。该模型仅通过 API 提供，在偏爱开放权重模型的用户中引发了争论，并且遵循了 Meta 在其封闭、功能更强大的对应模型发布后发布受限开放权重版本的模式。
-
Google 发布先进的 Gemini 4 Carbon AI 模型，用于复杂任务
Google DeepMind 已正式向公众发布其最先进的 AI 模型 Gemini 4 Carbon。该模型在长时域代理工作流、科学推理和网络安全能力等复杂任务方面表现出色，在这些领域超越了其前身 Gemini 4 Argon。虽然 Argon 仍然适用于通用的软件工程和知识工作，但 Carbon 专为那些挑战 AI 智能极限的任务而设计，包括复杂的、多步骤的编码和深入的科学研究。Gemini 4 Carbon 可通过 Google…
-
Anthropic 发布 Claude Fable 5.2，速度提升 30%，价格更低 · 追踪 10 个来源
Anthropic 发布了 Claude Fable 5.2 和 Claude Mythos 5.2，在速度、成本和性能方面都有显著改进。新模型的速度比前代产品快 30%，并且价格有所降低，标准费率下降了 20%。与 Fable 5.1 相比，Fable 5.2 的安全分类器触发次数减少了 55%，从而减少了不必要的阻止。这些模型专为复杂的技木挑战而设计，Fable 5.2 已普遍可用，而 Mythos 5.2 则仅限于经过审查的研究人员。
-
Liquid AI 发布高效1GB LFM3模型系列，面向本地智能体
Liquid AI 发布了 LFM3，一个专为高效和本地部署设计的新型开放权重模型系列。旗舰模型 LFM3-1.7B 重约 1GB，拥有 256K token 的上下文窗口和独特的混合三元架构。虽然它在智能体任务和指令遵循方面表现出色，在特定基准测试中优于 Qwen 3.5 9B 等更大模型，但在需要广泛知识或复杂编码的领域则表现不佳。LFM3 模型针对内存效率和设备性能进行了优化，使其适用于手机、边缘设备和旧硬件上的应用。
-
Artificial Analysis用新指数重塑AI模型排名
Artificial Analysis更新了其Intelligence Index v5，显著改变了AI模型排名。新指数严重依赖私有的、未见过的测试集（60%），并同等权重地考量知识工作、编码、科学和通用能力。Gemini 4 Carbon以59分领先，超越了Claude Opus 5.5和GPT-6 Astra，这主要归功于其在HLE-Diamond、Terminal-Bench-Science和AutomationBench中的强…
-
商汤发布免费多模态Agent SenseNova 6.8 Flash
商汤发布了其新的多模态Agent模型SenseNova 6.8 Flash，目前可免费使用。该模型在处理复杂的网络任务方面表现出色，这些任务曾让Gemini 4 Carbon等其他领先AI模型感到棘手。它可以生成动态网站、3D动画海报，甚至动态演示文稿，显著降低了创意设计任务的入门门槛。此外，SenseNova 6.8 Flash在办公自动化方面表现出色，具备长期记忆和主动交互能力，能够识别和纠正文档和报告中的过时信息，从而帮助用户管…
-
SenseTime 开源 SenseNova Loop-9B-Preview，采用循环 Transformer 设计
SenseTime 已开源其 SenseNova Loop-9B-Preview 模型，该模型采用了新颖的循环 Transformer 架构。该设计通过共享权重重复使用中间层，有效地将其计算量加倍，从而在不显著增加参数数量的情况下增加模型的处理深度。这个拥有 90 亿参数的模型旨在复杂任务上匹配约 270 亿参数模型的性能，并在各种基准测试中显示出有希望的结果。
-
Moonshot AI 发布 Kimi K3.1 Pro，为安全故意削弱网络能力
Moonshot AI 发布了 Kimi K3.1 Pro，这是一个拥有百万级上下文窗口的大型开放权重模型。值得注意的是，该公司故意从该模型中移除了网络攻击相关的训练数据，导致其发现和利用安全漏洞的能力明显下降，优先考虑了安全性而非最大化能力。此举重新定义了关于开放权重模型性能的讨论，表明一些人认为其落后于闭源模型的差距可能是实验室在训练数据内容方面有意识的选择。另外，上海人工智能实验室发布了 Atria Dawn，一个拥有 512K…
-
Liquid AI 发布 LFM2.5-24B-A2B，用于高效智能体任务
Liquid AI 发布了 LFM2.5-24B-A2B，这是一款专为智能体任务设计的开放权重模型。该模型采用混合专家（mixture-of-experts）方法，在总计 240 亿参数中，每个 token 激活约 20 亿参数，旨在平衡能力与成本效益。主要升级包括显著扩展的 131,072 token 上下文窗口、翻倍的词汇量以增强多语言支持，以及针对 OpenClaw 和 Hermes Agent 等智能体框架的增强调优。虽然该模…
-
OpenAI 的 GPT-6.1 Sol 在 Amazon Bedrock 上以更低成本提供接近 Astra 的性能
OpenAI 发布了 GPT-6.1 Sol，这是 Amazon Bedrock 上的一款新模型，旨在以显著更低的成本提供与 GPT-6 Astra 相媲美的性能。该模型特别有利于需要多步和广泛处理的 AI 代理，因为其降低的代币定价可以大幅降低运营成本。GPT-6.1 Sol 在 DeepSWE v1.1、AutomationBench 和 OSWorld 2.0 等基准测试中表现强劲，通常能媲美或接近更高级别的模型，同时成本效益更…
-
Google 的 Gemini 4 Argon 现已公开；定价和基准测试详情公布
Google 已将其 Gemini 4 Argon 模型普遍可用，此前为期两周的访问仅限于部分网络防御者。该模型可通过各种 Google 平台和 Gemini API 获得，初步定价将于 2026 年 12 月 1 日翻倍。虽然基准测试显示 Gemini 4 Argon 在长文档处理和自动化等领域表现出色，但独立评估表明，在通用智能和特定代理任务方面，它略逊于 Claude Opus 5.5 等竞争对手。
-
新的TURTLE基准演进AI工具使用任务以实现更好的可扩展性
研究人员开发了TURTLE，一种无监督环境设计方法，用于为AI助手的长时域工具使用创建自适应基准。该方法使用一个提议者、一个求解器和一个反馈生成器LLM代理来演进任务，使其更具可扩展性，并能适应Gmail、Venmo和Slack等各种应用程序交互。使用Gemma 4 31B-it在AppWorld和tau-Bench等基准上的实证结果表明，与现有基准相比，TURTLE有效地增加了任务难度和多样性，揭示了更广泛的故障模式。
-
SpecAgent协议在保持质量的同时将代理延迟和内存使用量减半
研究人员推出了一种名为SpecAgent的新型大型语言模型代理协议，通过让一个较小的模型起草工具使用步骤，然后由一个较大的模型进行验证来提高效率。这种方法通过将大型模型的逐个自动回归解码替换为一次并行预填充验证，从而降低了延迟和内存流量。在 $\tau^2$-Bench、AutomationBench和VitaBench等基准测试中，SpecAgent在保持高成功率的同时显著降低了资源使用量，并恢复了与仅使用强大模型相比的质量差距的很大一部分。
-
Liquid AI 发布 LFM2.5-24B-A2B，用于快速设备端智能体
Liquid AI 发布了 LFM2.5-24B-A2B，这是一款拥有 240 亿参数的专家混合（MoE）模型，专为设备端智能体设计。该模型每个 token 激活约 20 亿参数，并针对多步工具使用进行了优化，而非通用聊天。它在智能体和工具使用基准测试中表现强劲，在 AutomationBench 等特定任务上优于更大的模型，而 Qwen3.6-35B-A3B 等更大的模型在知识和编码任务上表现更好。LFM2.5-24B-A2B 能够…
-
Interlock框架增强LLM代理处理复杂长时任务的能力
研究人员开发了Interlock，一个旨在提高大型语言模型代理在复杂、长时任务上性能的新框架。Interlock将这些任务合成为类型化的完成图，强制执行不同组件和依赖项之间的约束。该框架使用基于代理的验证和对已接受轨迹的自训练来提高任务完成率。使用Qwen3.6模型的初步微调实验在AutomationBench和JobBench等基准测试中显示出显著的改进。