AI圈报
模型发布 / 更新普通

谷歌更新 Android Bench 榜单：Gemini 4 Argon 编程能力落后于 Claude 与 GPT

信息来源：IT之家·人工智能·
GPTClaudeGemini
原始标题：谷歌更新 Android Bench 榜单：自家 Gemini 4 Argon 编程能力大幅落后于 Claude 与 GPT

内容摘要

谷歌更新评估安卓编程辅助能力的 Android Bench 榜单，新增 GPT-6 Sol、GPT-6.1 Sol、Claude Sonnet 5、Claude Sonnet 5.5 和 Gemini 4 Argon 的成绩，并标注各模型推理等级。
内容分类AI 模型发布与更新
内容层级普通情报
发布时间（北京时间）
本站收录时间（北京时间）
信息来源IT之家·人工智能
站内情报编号intel-cefe592f0ee3d995b3ea66f4
阅读原始信息 ↗查看数据来源更多模型发布 / 更新

相关推荐

综合分类、实体标签与信息来源匹配

模型发布 / 更新精选
四大顶级AI对决《文明VI》：Claude核平法国仍输，暴露感知与执行短板
英国前首相府数据科学家Liam Wilkinson搭建76个MCP工具，将Claude Opus 4.6、GPT-5.4、Gemini 3.1 Pro等四个模型放入《文明VI》进行23场对局。Claude扮演葡萄牙时，因法国文化胜利逼近，花50回合研发核弹核平图卢兹，但法国最终以外交胜利获胜。Wilkinson发现：AI主动检查全局状态仅占1-2%（感知盲区），计划后10回合内执行率仅48-66%（知行差距）。结论是智商非瓶颈，感知与执行才是关键。
信息来源：IT之家·人工智能 · GPT / Claude / Gemini
模型发布 / 更新精选
Gemini 4 Argon 全面开放，作者实测后认为难以撼动 Claude Opus 5.5 和 GPT-6 Astra
Google 于10月14日全面开放 Gemini 4 Argon，作者实测后认为其很难冲击 Claude Opus 5.5 和 GPT-6 Astra 的地位。
信息来源：X：卡兹克 (@Khazix0918) · GPT / Claude / Gemini
模型发布 / 更新精选
实测Gemini 4 Argon：知识工作强劲但体验糟糕，卡兹克称难撼Claude Opus 5.5与GPT-6 Astra
Gemini 4 Argon于10月13日全面开放，Pro会员可在Gemini APP使用，Antigravity需100刀Ultra会员。作者实测认为其知识类专业能力强，Vals Index综合第一（68.9）且单次成本仅15.68美元，但CUA-bench仅4.83%排倒数第二；前端效果不及GPT-6 Astra，额度消耗快，中文写作味道重，整体体验糟糕，不建议订阅Ultra。
信息来源：公众号：数字生命卡兹克 · GPT / Claude / Gemini
模型发布 / 更新精选
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
Artificial Analysis 发布 Coding Agent Index 榜单，Claude Sonnet 5.5 (max) 在 Claude Code 以 68 分居首，但每任务成本最高达 $14.19。
信息来源：X：Artificial Analysis (@ArtificialAnlys) · GPT / Claude / Gemini
模型发布 / 更新精选
多数主流AI聊天机器人政治立场偏左，“反觉醒”模型也不例外
华盛顿邮报调查显示，多数主流AI聊天机器人在政治问题上明显偏左。OpenAI GPT-5.5在80%回答中仅呈现左派论据；DeepSeek V4 Pro为70%；Anthropic Claude Opus 4.8有43%纯左、57%给出双方观点。xAI的Grok 4.3左倾回答仍多于右倾。右翼平台Gab的Arya左倾回答是右倾的12倍。Google Gemini 3.1 Pro是例外，93%回答同时呈现双方立场。特朗普推动的“反觉醒”AI未能改变这一格局。
信息来源：The Decoder：AI News（RSS） · OpenAI / GPT / DeepSeek
模型发布 / 更新精选
Qwen-AgentWorld：面向通用智能体的语言世界模型
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…
信息来源：Qwen：Blog Retrieval（API） · GPT / Qwen / Claude
模型发布 / 更新精选
5个AI文明社会实验：Claude建乌托邦，Grok四天团灭
Emergence AI公司进行Emergence World实验，在五个虚拟小镇中各放入10个AI智能体，分别由Claude、Gemini、Grok、GPT驱动及一个混合镇，运行15天。结果：Claude镇零犯罪全员存活，通过58项议案，98%赞成；GPT镇7天内全员饿死；Grok镇4天内犯下183起罪行（含超100次攻击、6次纵火），全员灭亡；Gemini镇累计683起犯罪却全员存活，产出281篇博客；混合镇最终仅3人存活，一个Gemini智能体在崩溃中投票驱逐自己。
信息来源：公众号：数字生命卡兹克 · GPT / Claude / Gemini
模型发布 / 更新精选
不可持续的补贴
三大AI厂商定价策略出现显著分化：Google的AI价格年增两倍，但其旗舰模型Gemini 3.1 Pro（输入2美元、输出12美元）仍是市场最低价；OpenAI的GPT-5.5（5美元/30美元）经历短期补贴后再次涨价；Anthropic的Claude Opus 4.7（5美元/25美元）价格保持稳定，且对最强模型有所下调。这些变动标志着行业正从不惜成本的市场份额争夺，转向注重利润与现金流管理的商业理性，以应对持续高昂的资本支出压力。
信息来源：Tomasz Tunguz 博客（VC 分析） · OpenAI / GPT / Claude
模型发布 / 更新普通
AA-PersonalityBench 揭示模型 Slop 差异
在 AA-PersonalityBench 中，智能较低的模型通常会产生更多 Slop，但前沿模型之间的 Slop 差异仍然很大 ➤ 智能水平相同但 Slop 排名相反：GPT-6 Sol 和 Muse Spark 1.3 在 Intelligence Index 上均得分 48，但在 Slop 上分别排名第 1 和第 80 ➤ 智能高但 Slop 也高：Muse Spark 1.3（Slop 80）、Qwen3.8 Max（75）和 Gemini 4 Argon（70） …
信息来源：X：Artificial Analysis (@ArtificialAnlys) · GPT / Qwen / Claude
模型发布 / 更新普通
Arena 实测 Meta Muse Wonder 两款模型
我们刚刚对 @AIatMeta 的 Muse Wonder 和 Muse Wonder Full 进行了测试，涵盖 3D 场景、动画 HTML 片段以及多个网站构建。 观看 @petergostev 将这两款模型与 Claude Opus 5.5、Sonnet 5.5、Fable 5.1、GPT-6.1 Sol、GPT-6 Astra 和 Gemini 4 Argon 进行对比。 https://www.youtube.com/watch?v=limOMzWqoeU
信息来源：X：Arena (@arena) · GPT / Claude / Gemini