Arena 第 35 周 AI 大模型周榜：GLM-5.3-Flash 首秀进代码榜前十，Qwen3.8-Max-0902 登顶前端榜

Arena 平台发布 2026 年第 35 周（8 月 24 日至 8 月 30 日）AI 大模型盲测排行榜。智谱 GLM-5.3-Flash 首次入榜即列代码榜第 7 名（ELO 1535），阿里 Qwen3.8-max-0902 首次入榜以 1691 分登顶前端开发榜，将 Claude-Opus-5-Max 挤到第二。

Jakub Pachocki@merettmAI 评分4747

Jakub Pachocki 表示受误导性报道影响，想防止竞相进入不可监控状态，指出包括 Astra 在内的当前前沿模型计算图深度与 GPT-4 相差不超过两倍。他称 OpenAI 自最早的推理模型起就保留并利用链式思考监控，该技术能观察模型对齐如何从训练分布泛化，但处境脆弱且趋势向坏，原因与架构变化无关，团队正研究强化方法。

Yuchen Jin@Yuchenj_UWAI 评分4646

Yuchen Jin 转发评测图称 Databricks 上 GLM-5.3 输出速度达 310 tok/s，端到端响应 8.9 秒，在多家 API 提供方中速度与延迟均排第一。他还称在 Databricks 内部编码基准上，GLM-5.3 是编码最强的开源权重模型，可与 Fable 5 和 Opus 4.8 竞争。

阿里千问发布 Qwen3.8-Max-0902 版本，登顶 CodeArena 前端编程总榜

阿里千问宣布 Qwen3.8-Max 升级到 0902 版本，围绕编程和专业办公进行后训练，CodeArena 前端编程总榜提升 22 分至 1691 分夺得冠军。

DiagEvo：基于分层错误记忆的诊断引导式自我进化

论文提出 DiagEvo，从求解器自身失败历史中提取反复出现的错误原因，存入分层错误原因记忆，并以此生成针对性问题，无需外部任务资源。其挑战者用记忆状态与复发次数平衡定向生成与自由探索，双重置信度过滤只保留中间难度问题。

Gary Marcus 警告 OpenAI 即将越过一条 AI 安全红线

Gary Marcus 发文警告 OpenAI 正准备越过一条 AI 安全红线，认为其正在探索的新技术可能令思维链监控变得困难甚至不可能。

Elon Musk@elonmuskAI 评分2424

Elon Musk 宣布 Grok 4.7 将在 10 天后发布。推文中还引用了他人对 Grok 4.6 表现的称赞作为背景。

Rohan Paul@rohanpaul_aiAI 评分7171

The Information 报道 OpenAI 的 Astra 模型采用 recurrent depth（looped transformer）架构，同一信息可多次经过相同 transformer 层后再生成下一个 token，在不按比例增加参数量的情况下提升每 token 计算量。

Qwen@Alibaba_QwenAI 评分6363

通义千问宣布 Qwen3.8-Max-0902 以 1691 分位列 Code Arena: WebDev 榜单第一，较上一版 Qwen3.8-Max 的 1669 分提升 22 分，创下新的智能体编码（WebDev）纪录。

谷歌 Gemini 3.8 Flash（内部代号 Skimaki）最快周三上线，编程能力对标 OpenAI 与 Anthropic

据《华尔街日报》9 月 1 日报道，谷歌将发布编程能力大幅升级的 Gemini 3.8 Flash，内部代号 Skimaki，最早当地时间周三上线。内部工具 Jetski 对比测试中工程师对其偏好超过 Anthropic 的 Opus 模型，编程方面显著缩小了与 Anthropic 和 OpenAI 的差距。

Rohan Paul@rohanpaul_aiAI 评分6969

OpenAI 宣布 Astra 在其 Preparedness Framework 下达到 Critical 网络安全能力阈值，是首个达到该水平的模型，并预告了评估方式与安全措施。

Qwen@Alibaba_QwenAI 评分6666

通义千问（Qwen）宣布 Qwen3.8-Max 升级为 Qwen3.8-Max-0902，具备 2.4T 参数和 1M token 上下文窗口。该版本针对编码与协作（Coding & Cowork）进一步后训练，面向复杂企业任务、科学研究和长程工作流。

Simon Willison 用 pelican 基准实测 Claude Fable 5.1 的五个推理档位

Simon Willison 实测 Claude Fable 5.1 在 pelican 基准上的表现。Anthropic 称该模型在 Terminal-Bench-Science 0.1 上得 52.6%，高于 Fable 5 的 24.7%。

Charlie O’Neill 试图为大模型持续学习给出明确定义

Charlie O’Neill 撰文分析 LLM 持续学习问题，指出当前模型只有两种原生记忆形式：无损但昂贵的上下文与 KV cache，以及极难无损更新的权重。

CORD：保持预测不变的后验校准修复方法

论文提出 Calibrator-Output Repair for Top-1 Decision Preservation（CORD），一种后拟合适配器，通过修复完整校准概率向量，确保 argmax 恢复原始 top-1 预测，实现零 TPCR。

🚨 AI News | TestingCatalog@testingcatalogAI 评分4545

据 WSJ 报道，Gemini 3.8 Flash 代号 Skimaki，最快明日发布；Google 员工在并排测试中更偏好它而非 Opus 做编码。文章还提到 Google 内部编码工具 Jetski、Google 正加大 RL 投入，并展望了 Gemini 4。

Epoch AI@EpochAIResearchAI 评分4141

Epoch AI 统计发现，自推理模型推出以来，Epoch Capabilities Index (ECI) 前沿以每年 14 点的速度推进，而非推理时代为每年 6 点。图表显示推理模型时代拟合 adj. R² 为 0.98，90% 置信区间为 12–17；非推理时代为 90% CI 3–8，adj. R² 0.76。

Rohan Paul@rohanpaul_aiAI 评分5151

Fable 5.1 的缓存读取成本比 Fable 5 低 75%，随着负载越偏智能体化，节省越大，一项组件的降价可带来整个工作负载约 45% 的成本下降。作者转发分析称，智能体反复回访相同的上下文、计划、工具输出与工作状态，因此更便宜的缓存读取大幅降低持续推理的开销；企业现在面临的经济问题是智能体能持续工作多久才在财务上合理。

Hugging Face 与 Ai2 发布 BenchMIRT：从题目层面审计 LLM 基准究竟测了什么

Hugging Face 博客介绍 BenchMIRT，一种基于多维 IRT 在单个题目层面审计 LLM 基准的方法，训练数据覆盖 100 个 LLM、16 个基准和超过 34K 道题。

elvis@omarsar0AI 评分4545

Meta 发布论文 AI Research Preference Models，训练模型在任何候选方案执行前预测哪个最有前景，解决研究智能体想法多但 GPU 预算有限、缺乏原创性判断的问题。

Thomas Wolf@Thom_WolfAI 评分3939

Thomas Wolf 转发 @RemiFabreRobot 的视频，用 Microduck 鸭子学走路的过程讲解强化学习（RL），配乐由 @antoinepirrone 制作。

Anthropic 发布 Claude Fable 5.1 与 Claude Mythos 5.1：Terminal-Bench-Science 得分 52.6%，缓存读取降价 75%

Anthropic 发布 Claude Fable 5.1 和 Claude Mythos 5.1，两者为同一底层模型加不同安全层，Fable 5.1 全面开放，Mythos 5.1 仅限 Project Glasswing 内经过审核的美国组织。

Anthropic 发布 Fable 与 Mythos 5.1，成本更低限制更少

Anthropic 于周二发布 Fable 和 Mythos 5.1 双版本模型。Fable 5.1 即日起可在云平台和 Anthropic API 使用，Mythos 5.1 仍仅限网络安全或生命科学研究的注册合作伙伴。

DAIR.AI@dair_aiAI 评分4747

Qwen 团队发布 E-Commerce Bench，让 LLM 智能体在 365 天的模拟环境中同时运营多家网店，评估 18 个前沿模型的七个维度，发现没有任何单一模型全面领先。

Vibe Check：Fable 5.1 评测，称 Anthropic 又回来了

Every 发布对 Fable 5.1 的 Vibe Check 评测，标题称 Anthropic 又回来了，正文未提供更多细节。

SemiAnalysis@SemiAnalysis_AI 评分2828

SemiAnalysis 致谢 AMD 团队在几周内快速提升了 MI355X 在智能体工作负载上的性能，测试基于 Qwen3.5 397B 和 MiniMax M3 等前沿模型的真实生产负载。配图为 SemiAnalysis InMaxM3 数据：在 Qwen3.5 397B FP4 智能体场景下，MI355X（SGLang）2026-08-31 的每 $1 TCO 总 token 产出与 P90 交互速度曲线较 2026-08-12 明显改善，图中 B300 TCO 为 $2.26/chip/hr，MI355X 为 $1.5/chip/hr。

Rohan Paul@rohanpaul_aiAI 评分4343

Apodex 发布专有模型 Apodex 1.1，在 Artificial Analysis Intelligence Index 上得 44 分，但在衡量真实世界智能体工作的 GDPval-AA v2 上达到 1,348 Elo，超过多个通用智能分数更高的模型。

Artificial Analysis@ArtificialAnlysAI 评分6161

Meta Superintelligence Labs 发布其首个流式语音转文本模型 Muse Voice Transcribe，以语音结束后 0.16 秒、3.1% WER 登顶 AA-WER Streaming 最终转写准确率榜首。

Rohan Paul@rohanpaul_aiAI 评分2727

Claude 官方支持文档已出现 Fable 5.1 的提及。文档称 Fable 5.1 将改变 Messages API 处理 thought block（模型推理过程记录）的方式以防蒸馏，新的 Fable 5.1 API 账户在多轮对话中将不能再修改 thought block 周边的上下文，如消息、工具或系统提示词。

Google DeepMind 新任负责人 Koray Kavukcuoglu 称站在前沿是唯一要紧的事

Google DeepMind 负责人 Koray Kavukcuoglu 回应外界质疑，称“除了站在前沿，没有别的对我们重要的事”，并承认 Google 当前模型略低于前沿但具备团队、资源和全栈能力来缩小差距。

SpaceXAI@SpaceXAIAI 评分3232

LatchBio 评测了 Grok 在生物安全监控和对抗性生物任务上的表现。结果显示 Grok 4.6 能正确检测并拒绝危险查询，包括恶意混淆的生物任务，同时不妨碍有益的科学查询得到回答。xAI 在博客文章中讨论了这些结果：https://x.ai/news/biosafety-at-the-frontier

Elon Musk@elonmuskAI 评分3131

Elon Musk 宣布为所有 @Grok @Bot 用户再次提供免费 token 用量重置。原文未说明重置生效时间和具体额度细节。

Google 发布 Gemini 3.8 Flash，四个月内第四款 Flash 模型

Google DeepMind 发布 Gemini 3.8 Flash，在 Artificial Analysis Intelligence Index 上以 high 推理得分 59，较 Gemini 3.7 Flash 提升 3 分。

Meta 发布 Muse Spark 1.3，Artificial Analysis 指数达 61/62 分逼近前沿

Meta 发布 Muse Spark 1.3，是其五个月内第四个 Muse Spark 版本。xhigh 版在 Artificial Analysis Intelligence Index 得 61 分。

elvis@omarsar0AI 评分4141

Elvis Saravia 转发 Shopify CEO Tobi 的案例并评论：定制化前沿智能正露出早期迹象，企业拥有自己的智能体系将决定未来竞争力。Tobi 称 Shopify ML 团队微调的 0.8B 模型在一个非常专门的特定任务上击败 GPT-5.6-sol xhigh，前提是拥有持续自我改进的递归飞轮。

百度 CFO 何海建：AI 业务有望很快带来与搜索业务相当的利润和现金回报

据彭博社报道，百度 CFO 何海建表示，AI 领域的大规模投入有望很快带来与搜索业务相当的利润和现金回报。目前百度 AI 相关收入占公司总收入一半以上，覆盖云计算、应用等领域；支持 AI 服务的新 GPU 集群投资预计两到三年内收回成本，云业务收入未来几个季度的增速至少快于行业平均水平，资本开支低于市场预期。

DogeDesigner@cb_dogeAI 评分5656

Grok Bot 汇总了马斯克今日在 G20 的演讲。他称 2027 年 AI 芯片电力缺口至少 15 gigawatt，AI 芯片产量年增约 40–50%，而中国以外电力增速仅 10–20%；Google、Anthropic 等已因 SpaceX 自建电厂而向其租用算力。

DogeDesigner@cb_dogeAI 评分4141

马斯克称 AI 正走向 2027 年的大规模电力短缺，分析师共识是届时 AI 芯片电力缺口至少 15 吉瓦。他解释称 AI 芯片产量每年增长约 40% 至 50%，而中国以外可用电力每年仅增长 10% 至 20%，增长更快的一方终将压倒增长更慢的一方。

DogeDesigner@cb_dogeAI 评分4040

Elon Musk 今日线上参加 G20 峰会并分享对 AI 的展望。他称 AI 可令全球经济扩大 20% 至 30%，每年新增约 20 万亿至 30 万亿美元；预计到 2027 年底 AI 或能完成几乎所有纯数字任务，AI 编码将达到 Stockfish 级别，人类几乎无法在软件编写上与 AI 竞争。

OpenRouter@OpenRouterAI 评分5757

Mercury 2.5 Preview 在 OpenRouter 独家上线，官方称其为最快的推理大语言模型，通过并行 token 生成达到 1,107 tokens/sec。该模型支持可调推理、并行工具调用和 schema 对齐的 JSON 输出，面向延迟敏感型工作负载。