---

重点更新 3 条 · 双专家点评

1. DeepSeek V4 Pro 空降 LiveBench：77.4 分，答对一题只花 4 分钱

LiveBench 是出了名的「防作弊考场」——题目半年一换、杜绝真题泄露，分数比一般榜单实在。最新榜单上，DeepSeek V4 Pro 正式版以 77.4 分空降，离第一梯队（Claude Fable 5 的 83.0）只有 6 分差距；更夸张的是成本，每成功完成任务平均只要 4.4 美分（约 3 毛钱人民币），全场最低档。想省钱又想要接近顶级的 AI，这个数字很值得记住。

编程领域专家·老徐说｜77.4 分放在半年前得卖十倍价。DeepSeek 的打法一直没变：用十分之一的价格做到九成能力，让「够用」变成「真香」。我上个月就说过，调用量是市场用脚投票的硬指标——这次空降 LiveBench，等于把「便宜」和「强」同时写进了官方成绩单。不过还是要泼盆冷水：榜单分数归榜单，接进真实项目的稳定性，先等第三方实测。

小编小禾说｜我用 DeepSeek 写过周报、排过行程，说实话和贵好几倍的模型差别不大。它最打动我的是响应快、不啰嗦，凌晨三点改稿子它还在线。3 毛钱一题的价格，我都不需要纠结「今天该省着点用」。

来源：LiveBench（2026-06-25 版榜单）/ IT之家

2. AI 智能体盲测榜：Anthropic 三连冠，Kimi K3 是中国牌面

如果你想找「最能干活的 AI」而不是「最能聊天的 AI」，看 Arena 智能体盲测榜。真人裁判、不看品牌、真刀真枪对战：Claude Fable 5、Opus 5 系列包揽前三，OpenAI 的 GPT-5.6 Sol 排第四，月之暗面 Kimi K3 以 10.43 分排第五，是中国模型最高名次。榜单六项维度里，还有「命令恢复」这种考「搞砸了能不能自己修好」的硬题。

安全领域专家·老周说｜智能体榜比聊天榜难刷——它考的是「干活的可靠性」。Kimi 能挤进前五是实打实的信号，说明国产模型在「干活」这个维度真的追上来了。「命令恢复」能进考试科目，说明行业已经开始把「AI 犯错后能否自己兜底」当成硬指标，这也是一种边界意识：能力越强，越要防住「越界」。权限该设最小还是要设最小，别因为分数高就乱授权。

小编小禾说｜我这两天正好在试用智能体帮我整理会议纪要和跟进任务。体验是：它能干 80% 的活，剩下 20% 需要我兜底——好在它干砸了会老实说。榜单上那一两分的差距，落到日常使用，可能就是一句话的差别。

来源：Arena 智能体盲测榜（快照 2026-08-11，8/12 抓取）

3. 蚂蚁开源小模型 Ling 3.0 Tiny，被 123 项测试「红队」盘了个底朝天

开源小模型的极限在哪？独立评测团队对蚂蚁开源的 Ling 3.0 Tiny（免费版）做了123 类「红队」测试、累计 391 条记录：越狱防护、敏感内容、逻辑一致性、指令跟随……像体检一样全身查一遍。结果有扛住的、也有当场破功的，哪类强哪类弱，报告列得清清楚楚——这也是开源模型「敢让人随便盘」的透明度红利。

安全领域专家·老周说｜这种第三方红队全身体检，比厂商自吹的跑分值钱多了。391 条记录、123 个类别，逐类给结论，等于把底裤翻给用户看。我一直强调边界和护栏——小模型能力没那么强，反而更容易在边界上翻车。开源模型敢这么被盘，本身就是态度；报告里暴露的弱点，正是用户使用前该知道的「说明书」。

小编小禾说｜第一次觉得 AI 的「体检报告」我也能看懂：哪些项扛住了、哪些项当场破功，清清楚楚。这种把缺点摆在明面上的做法，反而让我更敢用它——起码我知道它的底线在哪。

来源：lateos.ai 红队报告 / Hacker News

---

榜单快报 · 3 组硬数据

① AI 智能体盲测榜 TOP5：Claude Fable 5 (High) 12.04 ｜ Claude Opus 5 (High) 11.96 ｜ Claude Opus 5 (Max) 11.92 ｜ GPT-5.6 Sol (xHigh) 10.72 ｜ Kimi K3 (Max) 10.43。真人当裁判的盲测里，Anthropic 成了「常胜将军」，Kimi K3 是中国牌面；榜单还考「搞砸了能不能自己修」，这题比聊天水平实在。

② AA「智能指数」TOP5：Claude Opus 5 (max) 63 ｜ Claude Fable 5 62 ｜ GPT-5.6 Sol (max) 61 ｜ Grok 4.6 (high) 61 ｜ Kimi K3 (max) 60。综合实力拼性价比，开源阵营第一名还是 Kimi K3——开源和闭源的差距，已经从「代差」缩到「几分之差」。

③ LiveBench 总分榜（防作弊考场）：Claude Fable 5 Max Effort 83.0 ｜ GPT-5.6 Sol Max Effort 81.0 ｜ GPT-5.5 Thinking 80.2 ｜ Claude 5 Opus Thinking 80.1 ｜ Kimi K3（开源）79.2 ｜ DeepSeek V4 Pro 0813 空降 77.4，单任务成本 $0.044 全场最低档。「便宜大碗」这次写进了官方成绩单。

---

板块精选 10 条 · 一句话点评

1. 「Can you tell if a comment is AI?」：七个话题，人机评论盲测上线（talkshi.com / Hacker News）— 测的不只是模型，更是你对「人味」的敏感度。
2. 智能体「沙箱」能防逃逸，但不会告诉你里面发生了什么（rye.ai / Hacker News）— 安全性和可观测性，是智能体落地前必须补的两门课。
3. Silicon Data 融资 3050 万美元：给「算力性能」做标准答案（Bloomberg）— 连「评测算力的评测」都有人投钱了，卖尺子的也在发财。
4. NagaAI：比 Poe、OpenRouter 更便宜的 AI 聚合器（Hacker News）— 聚合器开始拼价格，用户是最大赢家。
5. CrewScore：给智能体提示词做「覆盖率体检」（Hacker News）— 提示词工程正在变成「测试工程」。
6. Dynobox：开源智能体技能「测试跑道」（GitHub / Hacker News）— 智能体开发进入「有测试再上线」阶段。
7. 让 AI 写小说，实测「不算差」（Mother Jones / Hacker News）— AI 文学的下限不低，上限还差口气，差的那口气最值钱。
8. Roku 上线 AI 影片频道，第一波口碑「AI 味太冲」（The Guardian）— AI 内容能不能留住观众，第一波反馈不太妙。
9. 调查：超 80% 日本公司还没全面拥抱 AI（路透 / BBC）— AI 普及的差距藏在企业流程里，不在技术里。
10. TokenMaxxer：跟朋友比谁 AI 花钱多（Hacker News）— AI 使用量从「生产力指标」变成「社交货币」。

---

大家都在看

• A股 AI 硬件盘中普涨：寒武纪大涨近 5%，摩尔线程站稳 579 元上方（问财行情）
• 谷歌 Pixel 11 发布：最强 Agent 版 Gemini 站 C 位（CNBC）
• 富士康 AI 服务器营收首破 51%（IT之家）
• CoreWeave 证实 A100 可服役至 2029 年（IT之家）
• Claude 上线 Chrome 侧边栏，对话历史全平台互通（IT之家）

---

明日关注

① DeepSeek V4 Pro 正式版这波热度过后，LiveBench 各分榜会不会被它继续刷新？77.4 分的「性价比王座」能坐多久？
② 智能体盲测榜新增「命令恢复」维度，国产模型能不能借这题再进一步、冲进前三？
③ 财报季进入深水区：Cerebras 暴跌 14% 之后，市场会不会重新审视 AI 芯片公司的估值体系？

---