Artificial Analysis：Claude Sonnet 5.5、GPT-6.1 Sol 与 Gemini 4 Argon 登顶 Coding Agent Index 榜单但成本差异大

Qwen 团队发布 Qwen-AgentWorld，一个以环境建模为训练目标的原生语言世界模型，在单个模型中模拟 MCP、Search、Terminal、SWE 及 GUI 域（Web、OS、Android）共七个域。模型使用超 1000 万条真实交互轨迹训练，在 AgentWorldBench 上以 Qwen-AgentWorld-397B-A17B 版本达最高模拟质量，超越 GPT-5.4、Claude Opus 4.8 和 Gemini 3.1 Pro。同时发布评测基…

来自 @GoogleDeepMind 的 Gemini 4 Argon 刚刚在一系列生成任务中与顶级前沿模型正面交锋。 每任务成本比 GPT-6.1 Sol 低 33%，比 Claude Opus 5.5 低 70%，来看 @petergostev 对 Gemini 4 Argon 对比表现的第一印象。 https://www.youtube.com/watch?v=h5EL5zThKaI

Google 推出旗舰模型 Gemini 4 Argon，在多数基准上超过 GPT-6 Astra 和 Claude Opus 5.5，其中 Harvey's Legal Agent Benchmark 得分 19.6%，明显高于对比模型的 6.7% 等成绩。

Google 发布 Gemini 4 Argon 前沿模型，面向真实软件工程、法律与金融等企业知识工作和网络防御的复杂工作流，DeepSWE v1.1 得分 77.9% 为新 SOTA。作者称其在多项基准上优于 GPT-6 Astra、Claude Opus 5.5 和 Claude Fable 5.1，即将首先向付费 API 客户和 Google AI Ultra 订阅用户推出。Sundar Pichai 称该模型在复杂工作流、网络防御和软件工程方面表现出前沿性能，团队已…

Inception 发布 Mercury 2.5，称其为目前能力最强、规模最大的扩散大语言模型，智能较 Mercury 2 提升 40%，可对标 GPT-5.6 Luna （Low）、Gemini 3.5 Flash-Lite 和 Claude Haiku 4.5。

BestBlogs 精选周刊第 111 期以「经验复利」为主题，探讨 Agent 进入长期工作后，能力增长、工作流沉淀与组织记忆更新的问题。本期重点解读 OpenAI GPT-6 Astra 安全概览、Gemini 3.8 Flash 定价与能力分布，以及 Claude Code 团队重塑开发流程的实践。

真是精彩的一周--四大顶级AI实验室的最新模型在一周内相继亮相：Gemini 3.8 Flash、Claude Fable 5.1、Muse Spark 1.3、GPT-6 Astra！ > 完整回顾将在几小时后发布在 TestingCatalog 的通讯中。 > 🔥 彩蛋！内含一个秘密的 Muse 智能体候补名单加入链接。 还没订阅的话，请在下方勾选 📩

ZenMux 推出限时 7 天充值赠额活动，用户通过其模型网关可用同一账户余额调用 Claude、GPT、Gemini、Grok、GLM、DeepSeek 和 MiniMax。活动期间充值 $50 得 $70 额度，充值 $100 得 $150 额度，每账户限用一次且两档不可叠加，活动于 9 月 11 日 23：59（SGT）截止。

Alexandr Wang 转发 @GavinSBaker 的帖子并配文 long live muse，称 Muse 1.3 加入竞争，前沿模型不再只是两强之争，而是 Claude、ChatGPT、Grok 和 Muse，Gemini 暂时在玩略不同的游戏。附图显示 Muse Spark 1.3 （max） 在 GDPval-AA v2 得 1754、OSWorld 2.0 得 66.9、MRCR 256K-512K 得 98.5、Terminal-Bench 2.1 得 …

Thomson Reuters 基于阿里 Qwen 推出自研法律大模型"Thomson"，投入约 4000 万美元，训练数据来自 Westlaw 等自有内容。在 Stanford LegalBench 上 Thomson（0.823）落后于 Gemini 3.1 Pro 和 GPT-5.5，仅在接入独家内容时以 0.83 对 0.82 微弱胜过 GPT 5.4。