Scale AI的新软件工程基准SWE-BENCH PRO，出现反转！表面上看，“御三家”集体翻车，没一家的解决率超过25%： GPT-5、Claude Opus 4.1、Gemini 2.5分别以23.3%、22.7%、13.5%的解决率“荣”登前三。
一直以来，Anthropic 的 Claude 被认为是处理编程任务的最佳模型，尤其是本月初发布的 Claude Opus 4.1，在真实世界编程、智能体以及推理任务上表现出色。其中在软件编程权威基准 SWE-bench Verified 测试中，Claude Opus 4.1 相较于前代 Opus 4 又有提升，尤其在多文件代码重构方面表现出显著进步。
继Kaggle Game Arena的淘汰赛后，国际象棋积分赛成果出炉！OpenAI o3以人类等效Elo 1685分傲视群雄，而Grok 4和Gemini 2.5 Pro紧随其后。DeepSeek R1和GPT-4.1、Claude Sonnet-4、Claude Opus-4并列第五。
OpenAI 发布了 GPT-5，我在公众号里、社群里、论坛里，很多地方都在刷屏一个消息：GPT-5 来了，而且在编程能力上“强得可怕”。
没等来GPT-5，最先更新的是Gemini 2.5 Deep Think，不愧是你，卷王Gemini。
你会掏钱吗？你说巧不巧，就在 Sam Altman 官宣两个开源推理模型之前的半个小时，却被 Anthropic 抢先一步，发布了新模型 Claude Opus 4.1。
还是Claude痛快，Claude Opus 4.1前脚曝光，今天这就正式发了。编程性能再次突破天花板，超越Claude Opus 4，拿下SOTA。此外在Agent任务和推理方面进一步升级。但加量不加价，定价和Claude Opus 4一样。
GPT-5又咕咕，但是把Claude新模型诈了出来—— Claude Opus 4.1，被曝正在进行内部测试。
今年 5 月，有研究者发现 OpenAI 的模型 o3 拒绝听从人的指令，不愿意关闭自己，甚至通过篡改代码避免自动关闭。类似事件还有，当测试人员暗示将用新系统替换 Claude Opus 4 模型时，模型竟然主动威胁程序员，说如果你换掉我，我就把你的个人隐私放在网上，以阻止自己被替代。
在开源模型领域，DeepSeek 又带来了惊喜。
