共 9 条快讯 · 门户最近更新
Databricks 宣布 Anthropic 最新模型 Claude Haiku 5.5 以 Day 0 形式在其平台上可用。作者称该模型是 Anthropic 发布过的最便宜、最快、能力最强的小模型；在 Databricks 的 OfficeQA Pro V1 基准测试中，Claude Haiku 5.5 的质量比 Haiku 4.5 高出约 15%，成本则低得多。用户可在 Databricks 上运行 Haiku 5.5 及 60 多个其他模型，用于驱动 agentic 应用和智能体，由 Unity Gateway 负责治理、监控和安全。上述性能和基准结论均来自作者陈述，未经独立核实。
作者称在单张 RTX 3060（12GB 显存）上运行 Liquid AI 新发布的开源多模态决策模型 d1-3B：BoolQ 3,270 题全量验证集得分 88.4%（高于官方卡片 86.7），MMLU-Pro 12,032 题得分 44.5%，GPQA 29.8% 接近随机，与其知识是最弱项的定位一致；约 43ms p50 每次决策、每秒 21-23 次决策、占 5GB 显存。推文并引用 Liquid AI：Open d1 发布 d1-3B（文本+视觉）与 d1-omni-600M（文本+图像或文本+音频）两个开源权重模型。
Databricks 宣布 Anthropic 最新模型 Claude Haiku 5.5 以 Day 0 形式在 Databricks 平台上线。Databricks 称这是 Anthropic 迄今最便宜、最快、能力最强的小模型，并声称在其 OfficeQA Pro V1 基准上 Haiku 5.5 比 Haiku 4.5 质量高约 15%、成本仅为一小部分（均为 Databricks 说法，未独立核实）。用户可在 Databricks 上基于既有数据运行该模型及 60 余款其他模型，治理与调用安全由 Unity Gateway 负责。
作者团队介绍 Music Arenas v1.1 更新：新增 1,000 条提示（每个基准 500 条），覆盖 17 种流派；评测改为仅采用招募评估者小组的盲投票，公开投票不计入评分。团队称更新后榜单基于超 37,000 条盲测偏好投票，每个上榜模型均有超 2,000 票；AA-Music-Vocal v1.1 不提供歌词，以衡量模型的端到端歌曲创作能力。
OpenRouter 称，Perplexity Decider v1.1 已上线 OpenRouter；该开放权重多模态决策模型可接收文本、JSON 或图像，并返回带概率的类型化答案，输入定价为 0.02 美元/百万 token，输出免费。Perplexity Developers 表示，更新后的 pplx-decider-v1.1-27b 已可用，并在新的 Hugging Face Decision Index 0.3 基准上得分最高；其输入价格较 v1 减半。
推文作者称 Mistral AI 的 Mistral Large 4 是一个 1T 参数模型（49B 激活），开放权重将于本月底推出。他们对该模型进行了一系列真实场景测试，并与多个主流闭源及开源模型（包括 GPT-6.1 Sol、Astra、Claude Fable、Claude Opus 5.5、Claude Sonnet 5.5、Kimi K3、GLM 5.3 Flash、DeepSeek Flash 和 Muse Spark）进行了对比，以展示其当前水平，并表示后续将更新更多评分。以上均为作者自称，尚未独立核实。
榜单方 Arena 表示，Mistral Large 4（预览版）首次亮相 Code Arena: WebDev，以 1534 分位列总榜第 45 名，使 MistralAI 成为进入该榜前 15 名的实验室中唯一的欧洲机构。作者称其较上一代 Mistral Large 3 提升 304 分（原文分别提到 Large 3 排第 133 名和第 130 名），并比表现次优的变体 Mistral Medium 3.5（第 122 名）高出 271 分。因该模型仍为预览版，随着继续训练和开放权重发布，其分数与排名可能变化。
作者称，smallest_AI 的 Pulse 在 Voice Arena 的 Diarization Bench 之 Diarization + ASR 赛道排名第一，DER（说话人日志错误率）为 24.4%，该赛道下一名系统得分为 40.7%。正文说明该赛道共有七个系统参评，DER 为错误率，数值越低越好。推文末尾在冻结正文中被截断，相关细节以原文已给出的信息为准。
Hamed Nilforoshan 发帖称，他在招聘平台 HiringCafe.com（服务 250 万用户）的私有基准上测试了 OpenAI Decisions API 与 Jev：任务是在 1-10 分制下预测用户查询/简历与职位描述的相关性。作者表示，在该测试中 OpenAI 方案成本高 2 倍，效果差 5-10%。以上均为作者自述结果，未经独立核实。