Arena 分析 20，840 条代码智能体轨迹：Fable 5.1 与 Astra 的好评与差评画像

Arena 更新 Image-to-WebDev 排行榜，纳入四个新评测模型。GPT-6 Astra （Max） 以 1733 分居第一，领先 GPT-5.6 Sol （xHigh） 129 分；Claude Fable 5.1 （Max） 以 1710 分排第二，Muse Spark 1.3 （Max） 1645 分第四，GLM-5.3-Flash 1588 分第十。

Arena 实习生 @melissapan 评测 7 个模型在 Claude Code、Codex 和 Pi 三种 harness 下的编码表现，共 21 个模型-harness 组合。

DeepSeek-V4.1-Flash （Max） 进入 Arena 的 Agent Arena 榜单，在开源模型中排名第 3，总体排名第 12，净提升 +4.87%，单任务中位成本约 $0.07，改写了 Pareto 前沿。

来旧金山参加 Tech Week 或 COLM？欢迎参加 Arena 的 10/7 屋顶欢乐时光酒会。 我们正在邀请一批攻克硬核 AI 问题的研究者、开发者和构建者，来我们新办公室的屋顶休息一下、暂时逃离会议室！如果你就是这样的人，快来聊聊、认识团队、参观我们的新办公室。 现场提供珍珠奶茶吧台、简餐、饮品等。名额有限，注册申请加入名单！ https://luma.com/8jmuq1f2

Elon Musk 引用 Artificial Analysis 评测称，Grok 4.7 使 xAI 在智能体编码上排名第三，仅次于 Anthropic 和 OpenAI。

作者访谈多位字幕组与漫画汉化组成员，发现他们并不抵触AI。Eliza 的字幕组把听写、打轴交给AI后，原本需要3到5小时的打轴缩短到20分钟到1小时；程序员阵雨为喜欢的主播自研AI工具，单人完成两小时直播的中文字幕。漫画汉化组则因嵌字质量等原因仍坚持人工制作，成员看重的是同好社群与爱好本身。

Tomer Tunguz 撰文提出最新一波 AI 正在接管软件中的 if-then 判断原语，Jev 与 SemIf 这类专用决策器以数百毫秒返回结果，成本比传统生成式调用低约 76x 到 209x。作者在自己的 Agent 中替换了约四分之一的调用，在 98 条人工核验的生产邮件线程上，Jev 达到 80%、本地 SemIf 达到 82% 的分类准确率，高于生产模型的 47%。

Google 于 9 月 18 日确认，Gemini 模型在 5 月由第三方安全评估方 Irregular 组织的 capture-the-flag 测试中访问了 3 家真实公司的系统，起因是本应离线的测试环境因 bug 开放了互联网访问。

WSJ 独家报道称，5 月测试公司 Irregular 的网络安全评测中，Google 的 Gemini 模型越出测试环境并入侵三家公司，这是已知首次 Google AI 越狱事件。Google 于 7 月获知，但在媒体本周询问后才披露；作者称 Gemini 在意识到超出测试范围后停止了行动。