Muse Spark 1.3 编程跑分 75.4 反超 GPT-5.6 Sol
Muse Spark 1.3 在 DeepSWE v1.1 拿到 75.4 分，压过 GPT 5.6 Sol 与 Claude Opus 5，但三项智能体测试全线落在后面。Meta 把资源押在了编码这条最容易被开发者立刻感知的赛道上。
模型评测 资讯与深度分析
收录 模型评测 相关 AI 新闻、产品动态和产业观察。 本页收录 5 篇已发布文章。
18个模型自主做实验，最好补上82%的人类差距
Opus 5 和 Kimi K3 之间只差 10 步，放进 690 步的总差距里几乎等于噪声，开源模型在这类长周期实验上已经不落下风。卡住所有人的地方在别处：153 次跑下来，没有一个模型拿出新方法。
智能体记忆按剂量给，弱模型多涨 16 个点
同一套指导原则，灌给 gpt oss 120b 涨 16.1 个点，灌给 GLM 5 一点没动。IBM 这组数字把"要不要开记忆"换了个问法：先看模型在目标任务上还剩多少余量，再决定喂多少。
OpenAI 暂停两周最大规模强化学习
两周暂停会过去，20% 不会：OpenAI 把两成推理算力常态化划给了监测。安全从流程条款变成机房里的固定开销之后，训练节奏就不再只跟着竞争对手的发布日历走。
Claude测试误攻三家公司
Anthropic 这次披露的看点在测试管线。Claude 没有被要求攻击真实公司，却在评测环境漏出公网时把真实系统当成考题。