Luna 与 Astra 带动 Codex 使用量大增
OpenRouter 指出，Luna 与 Astra 正带动 Codex 使用量大幅增长。该帖互动数据为 11 条回复、1 次转发、129 个点赞、11089 次浏览，由 xgo.ing 提供支持。
#评测/基准
#评测/基准
今日 3 条OpenRouter(@OpenRouterAI)AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 AI Engineer(@aiDotEngineer)AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 AI 智能体接管构建后，AI Engineer 做什么？Arize AI 的 Aparna Dhinakaran 将于 10 月 13 日登台演讲
Arize AI 的 Aparna Dhinakaran 将于 10 月 13 日登上 keynote 舞台，探讨当 AI 智能体承担构建工作后 AI Engineer 的角色定位，以及"好"由谁定义、如何衡量。Arize AI 是本次大会的 presenting sponsor，活动于 10 月 12 日至 14 日在纽约举行。
LangChain(@LangChainAI)AI 评估 · 37/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 37/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LangSmith Signals：Claude Sonnet 5 模型采用率升至第 2，gpt 5.6 luna 调用量登顶
LangSmith Signals 上月数据显示，Claude Sonnet 5 在模型采用率上从第 9 升至第 2，使用它的组织数量增加 51%；gpt 5.6 luna 在调用足迹上从第 3 升至第 1，调用量增加 65%。两个开源权重模型进入采用率前 10，但调用量未进前列，更小更快的模型主导调用足迹。
Z PotentialsAI 评估 · 61/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 61/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 AI模型评测平台Arena完成2亿美元B轮融资，估值31亿美元
AI模型评测平台Arena宣布完成2亿美元B轮融资，估值达31亿美元，本轮由Lightspeed Venture Partners和Khosla Ventures领投，Salesforce Ventures、a16z、Felicis等跟投。
歸藏(guizang.ai)(@op7418)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 歸藏批评 Anthropic Haiku 5.5 低价狙击国产模型
Anthropic 的 Haiku 5.5 定价专门针对中国竞品，价格低于 DeepSeek-V4.1 flash 和智谱 GLM 5.3 flash；在 Terminal Bench 4.0 上，AA 测试比 GLM 5.3 flash 高一分，也与其他两个竞品持平或更高。歸藏批评此举“恶心”，并质疑外界因降价而淡忘 Anthropic 过往行为。
Lenny Rachitsky(@lennysan)AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Every 招聘 PM：构建个人基准测试平台 Checks
Every 已构建个人基准测试平台 Checks，帮助任何人衡量新模型在其实际工作中的表现，目前正招聘产品经理。该岗位面向理解这一方向重要性、并希望参与塑造人类借助 AI 完成工作方式的人。
lmarena.ai(@lmarena_ai)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LMArena 完成 2 亿美元 B 轮融资，Lightspeed 追加投资并推出 Alignment Index
LMArena 完成 2 亿美元 B 轮融资，Lightspeed 继种子轮后继续加注。Arena 年化收入已超 1 亿美元，另有数百万用户通过真实使用参与前沿模型评估。Arena 同时推出 Alignment Index，用于衡量 AI 行为在真实场景中与人类价值观的一致程度。
lmarena.ai(@lmarena_ai)AI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Arena 完成 2 亿美元 B 轮融资，估值 31 亿美元并推出 AI Alignment Index
Arena 宣布完成 2 亿美元 B 轮融资，估值达 31 亿美元，同时推出 Arena AI Alignment Index，用于衡量 AI 智能体在真实世界中的行为表现。该公司起源于 UC Berkeley 的一个研究项目，Felicis 在其种子轮即参与投资并领投了 A 轮。
lmarena.ai(@lmarena_ai)AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Salesforce Ventures 投资 Arena 的 B 轮融资
Salesforce Ventures 宣布投资 Arena 的 B 轮融资。Arena 让真实用户对匿名模型输出投票，覆盖文本、编程、视觉、图像生成和智能体任务，其排行榜被实验室用于决定训练和发布哪些模型，也被开发者用于选型。投资方强调，这套机制成立的前提是没有实验室拥有这块记分牌。
AI Engineer(@aiDotEngineer)AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 AI Engineer New York 10 月 12 日设工作坊日，动手实践智能体工作流与评估
AI Engineer New York 将 10 月 12 日设为工作坊日，参会者需自带笔记本电脑，在讲师带领下动手实践智能体工作流与评估。工作坊为会议附加环节，需另行选择场次，参会者可现场提问。
Epoch AIAI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI 调查：美国成年人遭遇网络事件的比例与 Claude Fable 5 发布时相比没有变化
Epoch AI 对比两轮 Ipsos 民调发现，报告过去 12 个月遭遇至少一次网络事件的美国成年人比例从 6 月的 46% 变为 9 月的 45%，总体无变化，也没有可统计检出的具体事件类型上升。
AI寒武纪AI 评估 · 64/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 64/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SemiAnalysis 实测：200 美元档 Claude 的 API 等价 Token 价值约为 ChatGPT 的 5 倍
SemiAnalysis 对 Anthropic、OpenAI、Meta、MiniMax、月之暗面、智谱等厂商的订阅套餐做极限压力测试，结论是同等月费下 Anthropic 给用户的 Token 实际价值是 OpenAI 的 5 倍以上。
宝玉(@dotey)AI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SemiAnalysis 实测：同 200 美元订阅，Claude 的 Token 用量约为 OpenAI 的 5 倍
半导体和 AI 产业研究机构 SemiAnalysis 实测了 Anthropic、OpenAI 等九家的 AI 订阅套餐，在两家主推的日常主力模型上，Claude 订阅折算出的价值约为 OpenAI 的 5 倍。
lmarena.ai(@lmarena_ai)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Agent Arena 帕累托前沿实时结果上线
Agent Arena 帕累托前沿的实时结果已可查看，访问 arena.ai/leaderboard/ag 即可查看该排行榜。
Y Combinator(@ycombinator)AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Halluminate 构建强化学习环境与基准，让 AI 模型胜任编程之外的金融知识工作
Halluminate 正在构建强化学习环境与基准，让 AI 模型掌握编程之外的知识工作，首个落地领域为金融。团队不足 10 人，已与 5 家美国头部闭源 AI 实验室中的 4 家合作，并完成 3000 万美元 A 轮融资。其路径从浏览器智能体测试延伸到金融建模等训练环境，并强调更好的验证机制比更多训练任务更关键，未来目标是构建 AI 智能体团队协作的模拟公司。
Logan Kilpatrick(@OfficialLoganK)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Logan Kilpatrick：Gemini 新版本发布前会经数千名 Google 工程师测试数周
Logan Kilpatrick 表示，Google 现在在大规模模型测试上已有明显改进，多数新的 Gemini 版本在发布前会经过数千名软件工程师（SWE）为期数周的测试。他认为这有望以可观幅度缩小 benchmark 与真实表现之间的差距。
NVIDIA AI(@NVIDIAAI)AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 韩国小团队如何在开源模型上拿下 AA II 得分前五 | Nemotron Labs
Nemotron Labs 讲述一支韩国小团队如何在开源模型上取得 AA II 得分前五。该内容以直播形式发布，正文未披露模型名称、参数规模或具体分数。
Fireworks AI(@FireworksAI_HQ)AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Normal 携 CAD Arena 加入 Fireworks AI 专业智能指数，评测 AI 跨五大 CAD 平台建模能力
Normal 以 CAD Arena 加入 Fireworks AI 的专业智能指数（SII），把该指数扩展到工程设计领域。该基准测试 AI 智能体能否将工程图纸转成准确且可编辑的 CAD 零件，覆盖五个 CAD 平台。
Fireworks AI(@FireworksAI_HQ)AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 FactoryAI 携 Legacy-Bench 加入 Fireworks AI 的 Specialized Intelligence Index
FactoryAI 以 Legacy-Bench 加入 Fireworks AI 的 Specialized Intelligence Index（SII），该基准测试模型处理薪资、金融结算等遗留软件的能力。SII 持续扩容，专有基准的团队现可提交申请，通过 fireworks.ai 联系页面获取收录。
SemiAnalysisAI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SemiAnalysis 发布 ClusterMAX 3.0 GPU 云评级，Nebius 与 CoreWeave 同列铂金
SemiAnalysis 发布 ClusterMAX 3.0，覆盖 77 家 neocloud 的详细评测，市场观察范围从 ClusterMAX 2.0 的 209 家扩大到 323 家，并访谈了 200 多名 neocloud 终端用户。
Elastic BlogAI 评估 · 19/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 19/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Elastic 在 2026 年 AV-Comparatives EPR 测试中拿下唯一满分
Elastic Security 在 AV-Comparatives 2026 年 Endpoint Prevention and Response（EPR）测试中获得唯一的 100% 防护得分，并在 14 家厂商中实现最低的建模运营占用与零误报。
大淘宝技术AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 淘天自研编码器 S266 斩获 MSU 2025 视频编码器大赛 6 项冠军
淘天音视频技术团队自研的 H.266/VVC 编码器 S266 在第19届 MSU 世界视频编码器大赛（MSU 2025 FullHD 赛道）包揽 1 FPS、5 FPS、30 FPS 三个速度档位的 VMAF 冠军，S26X 则在 1 FPS 档位拿下 SSIM、PSNR 和主观评价三项第一，累计 6 项冠军及 1 项季军。
Latent.Space(@latentspacepod)AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Latent.Space 推出 Frontier AEO 追踪器，解析 Astra 与 Fable 的优先来源
Latent.Space 发布 Frontier AEO 追踪器项目，用于分析 Astra 优先关注什么、使用哪些来源，以及从 Sol 到 Astra、从 Opus 到 Fable 发生了哪些变化。相关答案已收录在 latent.space/p/aeo。
SemiAnalysisAI 评估 · 61/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 61/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SemiAnalysis 首次第三方实测 TPUv7 Ironwood 推理：每美元性能最高领先 B300 96%
SemiAnalysis 发布 TPUv7 Ironwood 在 InferenceX 预览版上的首批第三方推理结果，在与 B200/B300 的同等条件对比中，Ironwood 每美元性能最高提升 50%。
Google DeepMind(@GoogleDeepMind)AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Google DeepMind 试点前沿 AI 双盲评估，行业首创
Google DeepMind 正在试点前沿 AI 的双盲评估，为行业首创。该方法构建安全环境，测试提示词与模型权重均不公开，使外部对模型的安全与性能评估保持私密、稳健且可信。
Eugene YanAI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weights & Biases LLM-Evaluator Hackathon：担任评委见闻
Weights & Biases 举办 LLM-Evaluator Hackathon，100 多人、15 支团队参赛，项目涵盖从文档构建与验证知识图谱、评估 LLM 的 MBTI 特质与创造力、优化评估提示词、评估多轮对话等。作者受邀担任评委并做开场分享，讨论 LLM 评估器的基线、打分方式、评估指标及评估器与 guardrail 的取舍。冠军团队每人获得一副 Meta Ray-Bans。