Hugging Face 官方基準測試:2026-10-20 每日更新
Hugging Face 官方基準測試排行榜每日更新截至 2026-10-20 列出 49 項基準測試及 1,107 個排行榜項目。olmOCR-bench 榜首由 infly/Infinity-Parser2-Pro 轉為 SoMarkAI/OXR-1.0,得分 87.84;所有排行榜共新增 5 個項目。
Hugging Face 官方基準測試排行榜每日更新截至 2026-10-20 列出 49 項基準測試及 1,107 個排行榜項目。olmOCR-bench 榜首由 infly/Infinity-Parser2-Pro 轉為 SoMarkAI/OXR-1.0,得分 87.84;所有排行榜共新增 5 個項目。
doubleAI 推出 Maxwell 並開放早期體驗;模型在軟件執行時改寫底層機器碼以減少計算消耗,原始碼保持不變。公司稱,Maxwell 令數據管線提速逾 38 倍、AI 推理核心提速逾 4.5 倍,並為一名早期客戶削減 67% 計算成本。公司稱,每項改動均經形式化證明不會改變程式行為;當加速條件不再成立時,guard 會把控制權交還原始程式碼。
Dominik Picheta 設計了旨在讓 LLM 難以使用的程式語言 KillSwitch,作者實測了直譯器及其基準測試。最佳模型在「實作 hello world」等任務中得分為 66.8 out of 100;AI_SPEC.md 則有 887,584 words,是正式規格的 320x。
MiniMax 已在 API 發佈 M3.1 Flash,輸入價格為每 1M tokens $0.15,輸出價格為每 1M tokens $0.60。
Anthropic 正在籌備一款直覺與推理能力更強的模型。該模型能辨識潛在意圖,亦更擅長跳出框框思考。
晚間重大事件包括2026金融街論壇年會開幕,以及央行、證監會等部門公佈金融政策和監管安排。證監會將同意首批18隻主動ETF註冊,上市公司年內分紅回購2.1萬億元;央行等部門印發支持建設國際科技創新中心的指導意見。MiniMax正式發布新一代Flash模型M3.1 Flash。
Hacker News 的 Show HN 貼文展示 Qwen3-4B,稱模型已經過訓練以去除 AI 寫作慣用痕跡。頁面未列出訓練方法、評測數據或模型可用性。
MiniMax M3.1 Flash 已在 OpenRouter 以 $0 免費提供,用戶可透過 API key 試用。模型支援文字、圖像和影片輸入、文字輸出及工具使用;推理不能關閉,可選 low、medium、high、xhigh 或 max,預設為 max。
MiniMax 發佈新一代 Flash 模型 M3.1 Flash。國家統計局稱,人工智能+行動有力帶動了新興領域的投資和出口;火山引擎發起 Seedance 精品 AI 劇激勵計劃,單部作品最高可獲 20 萬元。豆包的劉星稱,字節總算力中約 10% 用於影片生成模型的訓練和推理。
MiniMax 於 2026年10月19日正式推出 M3.1 Flash,線上推理速度提升近 3 倍,綜合使用成本降低 70%。
MiniMax 正式推出 M3.1 Flash,稱其智能體任務能力提升、線上推理速度接近三倍,智能體任務使用成本較上一代降低 70%。模型在 DeepSWE v1.1 得分 73.7%,日常輸出速度可達 200+ TPS,中位數(P50)持續達 170+ TPS。
doubleAI 發佈一款旨在提升 GPU 和 CPU 效能的程式碼執行模型。公司融資 $220M,並將約 50% 資金用於購入 1,000 枚 Nvidia B300 晶片。
稀宇科技宣佈 MiniMax M3.1 Flash 模型上線,線上推理速度提升近 3 倍,使用成本降低 70%。模型在 DeepSWE v1.1 得分 73.7%,在 OSWorld V2 得 61.7 分、在 ALE 得 29.6 分,並在 CyberGym 得分 82%。
MiniMax 正式發布新一代 Flash 模型 M3.1 Flash,稱其在智能體任務、編程、Computer Use 及網絡安全能力上實現代際提升。此前以匿名身份處理超過 200T Token 的 Space Bunny,是 M3.1 Flash 的早期版本。M3.1 Flash 線上推理速度提升近 3 倍,使用成本降低 70%。
Mistral 發佈 Timestral 時間序列基礎模型。貼文未交代模型規模、效能數據或可用性詳情。
DeepSeek V4.1 Flash 1017(Max)以 MoE、MLA 和 FlashAttention-3 優化推理吞吐量與延遲。在 1k prompt / 512 completion 合成負載下,TTFT 為 185 ms、總生成速度為 480 token/s,較競品標準 MoE 分別快約 23% 和 55%。
VIDRAFT 的 Darwin-180B-RSI 是一款 180B 參數的開放權重語言模型,在 AIhoster 截至 2026-10-19 更新的排行榜上,以 MMLU-Pro 88.1% 和 GPQA Diamond 94.4% 均列第一。
Google DeepMind表示,四個Gemini 4 Argon智能體在沒有任何人類協助下,以27小時14分鐘通關Minecraft。按Argon計劃於2027年採用的價格計算,這次運行成本為$1,620。
MiniMax 官方帳號發布短片,認領匿名模型 Space Bunny;該模型據悉是即將正式發布的 M3.1 Flash 早期版本。Space Bunny 上線後 3 天內登上 OpenRouter 和 OpenCode 的 Token 日調用量榜首,並與 DeepSeek V4.1 Flash、GLM 5.3 Flash 同列前三。
Artificial Analysis 的 Intelligence Index v4.3.2 給 DeepSeek V4.1 Flash 1017(Max)45 分,前版為 39 分,單項任務成本由 $0.49 降至 $0.26。
奇瑞將於 10 月 20 日在蕪湖舉辦 2026 奇瑞全球創新大會,發布首個汽車行業垂域大模型,並全球首發消費級家庭陪伴人形機械人「墨寶」。該模型融合奇瑞在算力、演算法及數據等領域的技術能力,大會亦將展示專為物理 AI 世界模型設計的車規級晶片。「墨寶」將於大會期間開啟全球預訂。
Arena公佈2026年第42週AI大模型盲測周榜,kimi-k3-max首次穩定進入程式碼榜前十。綜合榜由gemini-4-argon-high以1525分居首,claude-opus-5.5-high以1507分排第二。gemini-3.5-flash-medium、mimo-v2.6-pro及flux-2-flex本期新入榜。
作者在一台 64 GB M3 Max MacBook 上用 Forge 2.0 測試原版 Qwen3.8-27B 及四款微調或合併版,原版兩次成績的中位數為 0.1852,高於有分數的 MindMeld 0.1105 和 DAU735 0.0311。
Arena 公佈第 42 週 AI 大模型盲測周榜,國產模型在多個細分榜單保持中上游,kimi-k3-max 以 ELO 1540 分排名程式碼榜第 10。mimo-v2.6-pro 首次進入前端開發榜第 19,得分 1629;本期共有 gemini-3.5-flash-medium、mimo-v2.6-pro 和 flux-2-flex 三款新模型入榜。
深度求索(DeepSeek)於 2026年10月17日發佈 DeepSeek-V4.1-Flash-1017,並向所有用戶開放 Search API 與 Fetch API。
DeepSeek V4.1 Flash 1017 (Max) 的資料列出模型能力與產業表現、開放度、智能指數及 token 使用成本等比較項目。速度以每秒輸出 token 數計,延遲以首個 token 所需秒數計;端到端回應時間按輸出 500 個 token 計算,模型規模項目只適用於開放權重模型。
大曉機器人發布視覺空間錨定增強型具身基礎模型 ACE-Brain-0.6,該模型基於 Qwen3.5-9B 進行監督微調。在八項 Grounding 評測中,模型有六項成績超過 OpenAI GPT-6 Astra;七項公開基準平均得分為 74.53 分,高於 Astra 的 73.68 分。
DeepSeek 發佈 V4.1 Flash-1017,DeepSWE v1.1 評測的最高 Pass@1 達 77.0%,對應每項任務平均費用約 1.3 元,上一版本最高約 74%。新版本已更新至官方網頁端、APP 與 API,並縮短任務執行時間和輸出長度;DeepSeek 亦開放 Search 與 Fetch API,每 1000 次成功請求均收費 5 元。
DeepSeek 將 V4.1-Flash 更新為 V4.1-Flash-1017,作者實測其生成 3D 網頁、有聲科普影片及太空駕駛遊戲雛形。官方評測顯示,Terminal-Bench 4.0 由 31.2 分升至 42.3 分,ProgramBench 由 20.3 分升至 29.1 分;DeepSWE 單項任務平均成本估算由約 0.49 美元降至約 0.20 美元。
大曉機器人發布具身基礎模型 ACE-Brain-0.6,在八項 Grounding 評測中,六項得分超越 OpenAI GPT-6 Astra。七項公開基準平均得分為 74.53,高於 Astra 的 73.68;在真實機械人場景的 RobotGrounding 評測中得 94.13 分,亦高於 Astra 的 91.10 分。
DeepSeek V4.1 Flash 1017(Max)在 Artificial Analysis 獲得 45 分。Hacker News 帖文所附連結指向 artificialanalysis.ai。
作者開發了 KillSwitch,一種專為對抗大型語言模型和編碼 Agent 設計的開源詮釋型程式語言,並以一組任務測試多款模型及編碼 Agent。Claude Opus 5 表現最佳,最高得分為 66.8,最佳開放權重模型是 MiMo-V2.6-Pro。作者指出,測試任務仍相當簡單,結果不足以證明模型真正理解這種程式語言。
DeepSeek推出V4.1 Flash-1017,多數場景Token用量較前版下降逾50%,API價格維持原有水平。馬斯克稱正投入大量資源開發商業專用議價機械人Hagglebot,並稱其可提升企業成本效率5%或以上,按全球GDP估算每年最多節省6萬億美元。
Mistral AI 發佈 Timestral 時序基礎模型系列,涵蓋 5M 至 209M 參數的 4 款零樣本預測模型。Mistral 表示,209M 款在 GIFT-Eval、TIME 和 fev-bench 的預訓練零樣本模型中排名第一,其中 fev-bench SQL skill score 為 50.39,高於 TimesFM-3 的 48.99。
DeepSeek 發佈更新版 DeepSeek-V4.1-Flash-1017,稱其可縮短任務執行時間及輸出長度,但未公佈縮短幅度。該版本在 DeepSeek 自行測試的 DeepSWE v1.1 中解決 77% 任務,高於 9 月版本的 74.2%;Claude Opus 5 得分為 74%。
llama.cpp 在 RTX 3050 和 GTX 1650 Ti 上的測試顯示,Qwen3.5-2B 不用投機解碼時較快,Gemma 4 E2B 在三項測試中得分較高。
作者 Kyle Clouthier 在 SECOND STRIKE 核戰遊戲中測試 7 個最新 AI 模型,並公開遊戲環境及自行運行方法。結果顯示,DeepSeek V4.1 Flash 在 3 場中有 2 場觸及午夜,gpt-oss-120b 為 1/3;前沿模型 9 次核發射中有 7 次是潛艇自動報復,而非模型下令。
Reflection 於 2026 年 10 月 16 日開放 Beam 權重;這款 MoE 模型有 501.3B 參數、每 token 啟用 23.4B,採 Apache 2.0 授權。
推薦理由:文章釐清每 token 啟用 23B 並不代表只需容納 23B 權重,並列出不同精度的記憶體估算及 KV cache 成本,供評估自行部署時參考。
DeepSeek 將 deepseek-flash API 背後模型換成 DeepSeek-V4.1-Flash-1017,名稱和價格不變,且未提供 changelog。
英偉達透過上游 vLLM 優化,令 2.8 萬億參數的 Kimi K3 達到 423 tok/s/user;在相同 GB300 NVL72 硬件上,推理速度提升 1.68 倍。這項優化由英偉達 CentML 工程師 Benjamin 完成,使用 Cute DSL 編寫解碼專用內核,並以大規模 Megakernel 融合,包含 1.2 萬行程式碼。