gpt-6.1-sol
PulseAugur coverage of gpt-6.1-sol — every cluster mentioning gpt-6.1-sol across labs, papers, and developer communities, ranked by signal.
21 天有情绪数据
-
Llamport推出便宜90%的Codex模型LLM API · 跟踪2个来源
Llamport推出了一项新的预付费LLM API服务，提供对五个Codex模型的访问，包括gpt-6.1-sol, gpt-6.1-terra, gpt-6-astra, gpt-6-luna和gpt-5.6-luna。该服务旨在比官方API价格便宜得多，最高可节省90%，并且兼容OpenAI Chat Completions, OpenAI Responses和Anthropic Messages API。Llamport强调其承…
-
开源AI模型Darwin-180B-RSI在推理测试中超越了更大的竞争对手
韩国VIDRAFT开发的一个名为Darwin-180B-RSI的新开源AI模型，在SuperCLUE评估的数学和科学推理中取得了73.68分。这一成绩使其在总排名中位居第二，仅次于OpenAI的GPT-6.1-Sol，并且显著优于Moonshot AI的Kimi-K3.1-Pro等更大模型，后者尽管拥有2.8万亿参数，得分却只有63.16，而Darwin的参数量为1800亿。该模型的成功归功于两种关键技术：强度合并（strength …
-
Coding agent 工作流在 Claude 和 Codex 模型上进行测试
一位开发者进行了一项实验，以测试 Scrum 工作流在七种不同 AI 模型上的编码代理的有效性，其中包括 Anthropic 的 Claude（Haiku、Sonnet、Opus 5.5）以及来自 Codex CLI 的模型（GPT-6 Luna、GPT-6.1 Sol、GPT-5.6 Sol、GPT-6 Astra）。该工作流提高了某些模型的流程完成度和降低了成本，但并未持续提高代码的正确性，也并非对所有模型都带来均等的好处。开发者…
-
研究发现：LLM品牌提及量追踪面临衡量陷阱
一项最新分析探讨了在大型语言模型（LLM）的回答中准确衡量品牌提及量所面临的挑战，尤其是在LLM推荐产品时。该研究聚焦于四款支持网络搜索的LLM：OpenAI的GPT、Anthropic的Claude、Google的Gemini和Perplexity。研究人员发现，像原始引用计数这样的简单指标可能具有误导性，因为有些模型（如Gemini）倾向于产生比其他模型多得多的引用。研究还强调了提示措辞（例如，询问“X的替代品”）如何可能无意中导…
-
AI模型难以准确计算智能手机照片中的织物纱线数量
研究人员开发了一种新方法，使用通过放大镜拍摄的智能手机照片来测量织物纱线密度，目标是达到±5%的精度容差。他们将Molmo2-4B和GPT-6.1-sol等多个AI模型与人工标注者和光谱计数器（PG-Lattice）进行了基准测试。虽然没有一种方法达到所需的精度，但经过调整的Molmo2-4B模型表现与GPT-6.1-sol相当，两者都优于非专业人士的计数。研究强调，图像质量，特别是跨多张照片的可靠性，对于准确计数纱线至关重要，而当前…
-
LLM Token定价解析：输入、输出、缓存及隐藏成本
理解使用大型语言模型的成本需要按Token类型和提供商特定费率分解费用。关键成本因素包括输入Token、输出Token、缓存输入和缓存写入，某些模型还会产生隐藏的推理Token。提供商可能有不同的定价结构，务必查阅其官方定价页面进行准确计算。此外，重试、工具使用、存储、网关费用和人工审核时间也会增加成本，因此需要全面地进行成本跟踪和比较。
-
AI代码审查系统区分生成和验证角色
作者描述了一个使用AI模型审查代码的系统，该系统区分了代码生成和代码审查的角色。Claude Code用于编写代码，而Codex充当只读审查器来捕获错误。在发生未审查的提交被顺利合并的事件后，开发了这种设置，突显了独立审查流程的必要性。该系统确保每个提交都获得自己的审查结果，防止先前的批准覆盖新的代码更改。
-
韩国模型Darwin首次亮相SuperCLUE基准测试，推理能力排名第二
SuperCLUE基准测试于2026年11月发布，其中亮点是韩国的Darwin-180B-RSI-R3模型，该模型首次登上排行榜。在19个参赛模型中，该模型在数学和科学推理方面位居第二，表现优于Gemini-4-Argon和DeepSeek-V4.1-Flash等模型。值得注意的是，Darwin-180B-RSI-R3是一个开源模型，其成本效益与基于API的模型分开评估。
-
SuperCLUE基准测试对19个顶级大语言模型进行排名，每月更新私有测试集 · 追踪6个来源
SuperCLUE基准测试发布了其2026年11月的排名，共有19个先进的大语言模型参与。该基准测试的独特之处在于每月重新开发其私有测试集，从而防止模型过拟合已知问题。最新结果显示，竞争格局激烈，没有单一模型在所有类别中占据主导地位，领导地位在专有模型和开源模型之间分散。
-
Darwin-180B-RSI-R3在SuperCLUE数学推理方面领先开放权重模型
一款新的开放权重模型Darwin-180B-RSI-R3在SuperCLUE的数学和科学推理基准测试中取得了73.68分，在开放权重模型中排名第一，总体排名第二。该模型重用了Qwen3.8-Flash-Next的专家层，在Hugging Face GPQA Diamond排行榜上也表现强劲。此外，相关的ViKernel代理卫士成功阻止了290个恶意命令中的290个，其设备构建版本POCKET-Darwin-180B-GGUF的下载量已…
-
AI重试预算可防止在故障期间压垮LLM提供商
一种处理AI模型重试的新方法旨在防止在故障期间压垮提供商。与其简单地多次重试失败的调用，不如设置一个“重试预算”，限制重试可以占近期流量的比例。这可以防止重试激增加剧已经不稳定的服务，提供比传统退避策略或断路器更健壮的解决方案。TypeScript中的VernLLM库实现了这个重试预算功能，允许开发人员配置每个提供商的重试流量限制。
-
开发者 Nodast 工具使用 AST 进行 LLM 代码编辑，在结构化更改方面展现出潜力
一位开发者创建了一种名为 Nodast 的新方法，用于 LLM 通过操作抽象语法树 (AST) 而非纯文本来编辑代码。该方法使用 S-表达式和 Hindley-Milner 检查器在应用编辑之前对其进行验证，旨在提高结构化代码更改的准确性和效率。尽管初步基准测试结果喜忧参半，Nodast 在简单编辑方面的表现与基于文本的代理相似，但在需要结构理解的任务中，例如跨作用域重命名变量或向多次调用的函数添加参数，它显示出显著优势。
-
新的 Frontier3DBench 评估用于 3D 创作的 AI 编码代理
引入了一个名为 Frontier3DBench 的新基准，用于评估编码代理在跨对象、场景和交互式开放世界的 3D 创作能力。该基准包含 145 个任务，并从外观、结构和行为方面评估代理。实验表明，GPT-6.1-sol 在对象和场景任务上表现最佳，而 GPT-6-ASTRA 在交互式世界构建方面处于领先地位。已识别出的主要挑战包括准确重现指定的几何形状和细节，以及在生成的世界中完成协调动作和管理持久状态。
-
VIDRAFT 的 Darwin-180B-RSI-R3 模型在 SuperCLUE 排行榜上被列为参考模型
VIDRAFT 的 Darwin-180B-RSI-R3 大型语言模型已被纳入 SuperCLUE 2026 年 11 月排行榜作为参考模型。该模型得分 43.08，与 Gemini-4-Argon、GPT-6.1-Sol 和 Grok-4.7 等其他知名前沿模型并列。虽然未在排名前 19 的模型中正式排名，但其作为参考模型的纳入表明它已在 SuperCLUE 基准测试中得到评估，该基准测试评估推理、知识、指令遵循和安全性。
-
VIDRAFT的Darwin-180B-RSI-R3在数学/科学推理方面全球排名第二
VIDRAFT发布了Darwin-180B-RSI-R3，这是一款开放权重的混合专家（Mixture-of-Experts）大型语言模型，它利用递归自我改进（Recursive Self-Improvement, RSI）技术，无需新的人工标注数据即可增强其推理能力。该模型在SuperCLUE 2026年11月的评估中，在数学和科学推理方面取得了全球第二高的分数，表现优于多家主要AI实验室的知名模型。Darwin-180B-RSI-R…
-
新的CARTBench基准揭示LLM购物建议的差距
研究人员推出了CARTBench，一个旨在评估大型语言模型（LLM）在为复杂、模糊且涉及时间限制的购物请求提供建议方面性能的新评估框架。该基准通过策划17个零售领域的真实购物需求来解决数据稀缺问题，并使用源自理想响应原则的评分标准来标准化评估标准。对GPT-6.1-Sol和Claude-Opus-5等商业模型以及开源模型的初步评估显示，模型的核心功能与其提供高质量、优秀购买建议的能力之间存在显著差距，尤其是在处理不断变化的需求和不确定性方面。
-
Cursor IDE 中的 AI 代理行为不可靠，令用户感到沮丧
在 Cursor IDE 中使用 AI 代理（特别是 Composer 2.5）协同工作可能是一次令人沮丧的体验，因为它们的行为不可预测。用户报告称，即使明确指示代理不要删除代码、撤销更改或未能正确完成重构任务，代理也可能这样做。这些问题并非仅限于某个模型，在包括 GPT-5.5 和 Opus-4.6 在内的各种版本中都出现了问题，这表明在代理的可靠性和控制方面存在更广泛的挑战。
-
新研究质疑语言模型的“多估计”消除偏差方法
一篇新的arXiv论文研究了从语言模型中诱导多个加权估计是否能统一消除其判断的偏差。该研究在各种认知任务中测试了gpt-6.1-sol、Claude Sonnet 5.5和Qwen3_8B的配置。结果表明，多估计格式并未在所有任务中一致地消除模型的偏差或减弱其响应，尽管观察到估计范围与锚定效应之间存在一些相关性，这表明未来具有预测验证的潜力。
-
Claude Code和Codex在微小格式修复后显示出同等的命令兼容性
一项实际测试表明，同一组中文命令可以有效地用于Claude Code和Codex，仅需进行微小的兼容性调整。研究发现，在Codex CLI中，10条命令中有10条均通过，仅需对markdown链接和交互式确认提示进行两处特定的格式更改。这表明统一命令集是可行的，主要工作涉及安装文件的机械转换和微小的格式修补，而不是重写命令本身。
-
市场人工智能单位经济学公式详解
本文概述了计算市场中人工智能功能单位经济学的公式，强调了定义正确分析单位的重要性：已完成的交易。文章详细介绍了如何计算每次交易的人工智能成本及其占净收入的份额，使用了 Claude Sonnet 5.5、Claude Haiku 5.5、GPT-6 Luna 和 Gemini 3.8 Flash 等模型的具体代币成本。该帖子还指出，模型账单仅占人工智能总成本的一小部分，其他费用包括检索、数据准备和人工审查。