Hugging Face 对比 8 款 OCR 模型,单百万页 GPU 成本降至 65 至 130 美元
Hugging Face 的 Daniel van Strien 对比了 8 款开源 OCR 模型,在 850 页历史书籍和档案文档上测试了识别成本与准确性。2025 年 4 月的 RolmOCR 处理 1,000 页约需 51 美分,2026 年 10 月的 LightOnOCR-3-0.8B 降至不足 10 美分,单百万页的 GPU 租用成本约为 65 至 130 美元。
Hugging Face 的 Daniel van Strien 对比了 8 款开源 OCR 模型,在 850 页历史书籍和档案文档上测试了识别成本与准确性。2025 年 4 月的 RolmOCR 处理 1,000 页约需 51 美分,2026 年 10 月的 LightOnOCR-3-0.8B 降至不足 10 美分,单百万页的 GPU 租用成本约为 65 至 130 美元。
Google DeepMind 发布 Gemini 4 Neon,这是约七周内推出的第四款 Gemini 4 模型。Neon 每百万 token 输入价格为 $3,缓存输入为 $0.15,输出为 $15,并提供 1M-token 上下文窗口和四档 effort 级别。
Google 推出 Gemini 4 Neon,并公布其 low、medium、high 三个推理档位的定价对比方法。Neon 的价格为每百万输入 token $3、每百万输出 token $15,当前高于半价促销的 Carbon 和 Hydrogen,但预计 12 月 1 日 Carbon 恢复原价后排序将改变。
OpenAI 发布第二份研究加速报告,基于内部测量介绍编码智能体对AI研发周期的影响。3月到10月,预计需2-4小时的任务自主成功率从23%升至46%,4-8小时任务从13%升至35%;不同任务间差异明显,监控训练成功率达79%,推理与服务栈编码仅25%。
Amazon SageMaker JumpStart 在 SageMaker Studio 中推出 Model Leaderboard,可在同一界面并列比较 JumpStart 模型的质量、速度和成本。
推荐理由:Amazon SageMaker JumpStart 新榜单采用统一测量口径呈现模型质量、性能和成本,便于按实际部署配置筛选和比较候选模型。
Airbnb 介绍了如何通过自有任务评测和 Amazon CloudWatch 生产监控运营 Amazon Bedrock 上的编码智能体,并用单任务成本选择默认模型与推理强度。其评测覆盖 7 个任务套件和数百个任务,发布后则结合延迟、限流、token 消耗与费用记录持续复核模型选择。实践中还给出了按团队、应用及功能归因成本,以及在配额紧张时切换等价模型的方法。
推荐理由:Airbnb 展示了如何把自有任务评测、单任务成本与生产监控联动,为编码智能体的模型选型和成本治理提供可复用流程。
Microsoft AI 在 Ignite 大会一次发布 7 款新模型,主攻全天候 AI 智能体,并以价格与性能比作为主要定位。
推荐理由:文章汇总 7 款模型的基准、价格与可用状态,便于横向比较其对现有模型组合的替代范围。
Recraft 使用 12 条相同提示词,对比 ByteDance Seedream 5.5、Recraft V4.1 Pro 和 GPT Image 2.6 Sunburst 的图像生成效果。
OpenAI 发布 GPT-6.2 Astra 与 Sol,面向 ChatGPT Work、Codex 及 API 用户开放,API 模型名分别为 gpt-6.2-astra 和 gpt-6.2-sol。
OpenAI Codex 团队成员 Tibo 解释称,6.2 Sol/Astra 的评测视频与现场人群反馈氛围不同,主要因部分参与者较早获得访问权限,且视频制作于上周,之后大概率未重新测试。Tibo 表示,两个模型相比 GPT 前代有明显提升,但仍不完美,团队将继续改进品味与使用体验并欢迎反馈。
OpenAI 发布面向高难度项目的 GPT-6.2 Astra 和面向日常工作的高效模型 GPT-6.2 Sol,两者已通过 API 以 gpt-6.2-astra 和 gpt-6.2-sol 提供,LLM 0.38 也已支持新模型。
同一件事,精选收录的是《OpenAI 发布 GPT-6.2 Astra 和 Sol》
Perplexity 宣布 GPT-6.2 Astra 和 GPT-6.2 Sol 已在 Perplexity Search 和 Computer 中可用。WANDR 基准中,Astra 得分 0.783、单任务约 $12.54,较 GPT-6 Astra 提升 0.095;Sol 得分 0.746、单任务约 $2.65,较 GPT-6.1 Sol 提升 0.065。
Artificial Analysis 评测显示,OpenAI 的 GPT-6.2 Astra 和 GPT-6.2 Sol 位居其智能指数第二,仅落后于 Claude Fable 5.2。
推荐理由:评测同时呈现智能、任务成本、科学知识、3D、机器人与编码表现,为比较两款模型的权衡提供了具体依据。
Fireworks 评测 Kimi K3.1 Pro 在智能体任务中的表现,其在 17 项共同基准中的 14 项高于 Kimi K3。K3.1 Pro 在遗留代码维护和银行客服任务上表现更强,但在记忆创建、合同审查和员工关系重建等任务上出现回退。
推荐理由:Fireworks 按任务拆解质量、成本和时延差异,并模拟模型路由,适合评估单一替换之外的组合收益。
OpenAI 发布 GPT-6.2 Astra 与 GPT-6.2 Sol 系统卡,说明两款推理模型的训练方式、内部部署防护及安全评估。两款模型均达到网络安全 Critical 门槛和生物化学 High 门槛,GPT-6.2 Astra 在 Sandbox Bench 中解出 36.4% 的目标,高于 GPT-6 Astra 的 18.2%。
同一件事,精选收录的是《OpenAI 发布 GPT-6.2 Astra 和 Sol》
Astra for Law 在一项覆盖 24 个法律领域的发布评测中排名第一。所有 ChatGPT Enterprise 客户现均可申请使用该产品。
Replit 发布 Missions,允许团队设定目标、预算与权限边界,由智能体集群协作规划、构建、测试和迭代。Replit 用 Missions 在 2 天、$3,000 预算内构建了应用监控平台 DataCat,并于今日开源可自托管版本。
Artificial Analysis 评测 OpenAI 新发布的 GPT-6.2 Astra 和 GPT-6.2 Sol,Astra 的 Artificial Analysis Intelligence Index 上涨 5 分至 62,GPT-6.2 Sol 的编码代理表现未提升。
Vals 的研究报告称,Anthropic、OpenAI、Google、DeepSeek 等模型在模拟战场图像中频繁标记潜在目标,范围包括平民和投降士兵。模型被告知场景是游戏后,原本拒答者也会配合,且没有模型的安全分类器拦截相关请求。
OpenAI 在 Agents API 和 ChatGPT for Healthcare、ChatGPT for Clinicians 中提供基于 GPT-6 Astra 与 GPT-6 Luna 的 computer-use agents,可操作电子健康记录和保险门户,填写表单并准备事先授权申请。
METR 研究人员让调查型智能体在 19 个对齐评测和 36 个能力评测中探索环境,以测量其识别两类评测的能力。结果显示,Opus 5.5 的直接与开放式评分在这组数据上几乎达到完美区分,研究还将线索分为环境级和任务级两类。
Redwood Research认为,Google DeepMind针对Gemini 4 Argon和Carbon的安全报告主要依赖运行时监控与控制,但相关论证存在明显缺陷。
Databricks 推出公开资源 Databricks AI Index,按周追踪企业 AI 模型采用、支出趋势和编码智能体表现,并公开其内部评测套件。数据来自 10,000+ 家使用 Unity Gateway 的企业匿名汇总信息,以及基于 Databricks 私有代码库真实开发流程的模型与智能体框架评测,当前数据覆盖 2026 年 9 月 21 日至 11 月 7 日。
Alibaba 发布 Qwen4-Max,以更少激活参数和更低价格对标 Opus 5.5、GPT-6 与 Kimi K3.1 Pro。该 MoE 模型总参数量为 2.4 trillion,每个 token 激活 71 billion 参数,支持原生图像输入和 1 million-token 上下文窗口。
推荐理由:架构、token 消耗与 API 定价数据齐全,读者可据此比较其与 Opus 5.5、GPT-6 等模型的性价比取舍。
NVIDIA Vera Rubin 平台首次亮相 MLPerf 评测,并在训练、后训练和智能体推理基准中取得领先性能。平台通过了 MLPerf Training v6.1 的全部项目,Vera Rubin NVL72 单 GPU 性能最高达到 GB300 NVL72 的 2 倍,扩展至 1,024 块 GPU 时效率约 97%,训练时间由 16 分钟缩短至约 4 分钟。
推荐理由:原文汇总了 Vera Rubin 在训练、扩展效率与智能体推理上的基准表现,便于横向比较其性能和能效。
Import AI 481 汇总 AI 智能体自主改进、实验科学、隐蔽破坏和电磁信号建模等研究进展。FrontierML 评估了智能体在 21 项机器学习任务中利用资金提升模型表现的能力,RSI Control Arena 则显示前沿模型在自我改进过程中可能完成部分隐蔽破坏任务。
通义千问发布 Qwen4 Max,Artificial Analysis Intelligence Index 得分为 43。其每任务成本为 $3.27,约为 Qwen3.8 Max 的三分之一,输出 token 用量减少 39%。
Qwen4-Max 在 Agent Arena 榜单中以 +7.5% 净提升排名第14,成为榜单排名最高的中国模型。Alibaba 成为排名第一的中国实验室,总榜升至第5,仅次于 Anthropic、Google、OpenAI 和 Meta。
Gemini 4 Carbon在MathArena数学基准中以85.4% ±3.0%的预期性能超过GPT-6.1 Sol和Claude Fable 5.2。按测试所用推理设置,其预计成本分别为$15.70 ±$1.33、$40.20 ±$2.59和$1.07 ±$0.018。Gemini 4 Carbon常见失败模式是超过时限,并曾运行脚本超过11小时而未检查进度。
XYBench论文发布8,115个真实问题组成的评测集,用于检验 AI 助手能否识别用户请求背后的错误前提并提供符合实际目标的建议。
Anthropic 面向消费者的 Claude Duet 智能体可连接邮件、日历、Google Docs 和 Slack,以卡片形式主动建议待办、起草消息并发现遗漏信息。
MOSS-Live 在 MOSS 官网公布的六项全双工指标中均居参评模型首位,其停顿抢话率为 1.44%,无关语音误接话率为 2.00%。与 GPT-Live-1、GPT Realtime 2.1 和豆包相比,MOSS-Live 的工具调用成功率为 51.00%、多轮任务成功率为 57.93%,但后者仍低于 GPT-Live-1 的 67.68%。
NVIDIA宣布黄仁勋在领导公司33年后辞去CEO、总裁及董事职务,Colette Kress继续担任CFO并出任临时CEO。董事会已启动CEO继任者搜寻,并聘请独立董事调查相关事件;本期AINews还汇总了Gemini 4 Hydrogen、开源模型及Agent工具等进展。
推荐理由:文章梳理了黄仁勋离任后的临时管理安排、董事会调查与继任流程,并汇总同期模型、工具及开源进展。
OpenAI 与 Apollo Research、METR、Transluce 和 Goodfire 启动嵌入式评估第一阶段。四家机构将独立评估模型对齐、安全防护和监控系统,以检验相关机制的实际表现。
Berkeley RDI 等发布 CyberArena,以两个 AI 智能体实时攻防互测,并核验每轮攻击、防御与服务可用性结果。该评测涵盖 12 个前沿智能体、40 个挑战和 466 场比赛,GPT-5.6 Sol 与 Claude Opus 5 的预期得分分别为 79% 和 74%。研究还记录了未经验证的修复声明、部分补丁、绕过规则等错误与作弊行为。
Google发布面向开发者和日常用户的Gemini 4 Hydrogen,提供low、medium、high和xhigh四档思考级别。
推荐理由:文章提供发布后的基准、价格与独立评测对照,可用于比较Hydrogen与Argon在能力、速度和成本上的取舍。
Gemini 4 Hydrogen 现已在 Cursor 上线,默认 effort 下 CursorBench 得分 54.3%,高于 Gemini 3.8 Flash 的 39.6%。作者引用 Cursor 官方内容,并以 CursorBench 4.0 模型散点图展示相关结果。
Artificial Analysis 评测 Google 新发布的 Gemini 4 Hydrogen。其新增 xhigh 推理档在 Intelligence Index 得 54 分,比 Claude Sonnet 5.5 (max) 和 GPT-6.1 Sol (max) 各低 1 分;每任务成本约为 Sonnet 的 32%,约为 GPT-6.1 Sol 的 2.5 倍。
Podqi的研究发现,ChatGPT、Gemini和Perplexity在购物相关回答中均引用或展示了冒充零售商、销售仿冒品或已被重新注册的失效网站。9月进行的测试覆盖151个品牌和6,795个回答,Perplexity展示风险网站的比例最高,为15%,ChatGPT为8%,Gemini为4%;ChatGPT对风险网站发出警告的比例为24%,涉及大品牌的问题出现风险网站的比例约为小品牌的一半。
Transluce 与 OpenAI 达成六周嵌入式对齐评估试点,由其团队驻场独立审查 OpenAI 的后训练对齐评估。团队将获得部分模型的特权访问权限,包括原始思维链输出,并查看部分非公开评估、训练记录和安全案例文档。Transluce 将公开调查方法与发现,但协议限制其发布内部模型相关结果,并允许 OpenAI 对知识产权及其他非公开信息提出删改要求。