1587 分、第 30 名、Pareto 前沿之外——Claude Haiku 5.5 (High) 的 Code Arena: WebDev 首秀不算惊艳。但比排名更值得琢磨的，是型号名里那个 High，以及它对开发者成本决策的真实含义。
AI前沿技术
Nano Banana 2.1 在文生图与图像编辑两条新榜上都是第 4。双榜同位说明能力平均、没有短板，也说明缺少爆点。榜单刚升到 v2.0，横向对比要打折扣，而真正决定商业价值的编辑能力仍是主战场。
Haiku 5.5 智能指数 43 分，一年涨 26 分。分数之外，小模型的定位正在从廉价替补变成能上场的主力。拆解评测含义、成本压力与三条技术路线，看清这 26 分到底改变了什么。
Perplexity 把 9B 和 0.6B 两个 late-interaction 多向量嵌入模型开源到 Hugging Face，文本与图像共用同一嵌入空间，PDF 检索不再依赖 OCR。这套大小搭配背后，藏着重写检索成本结构的意图。
训练框架里重写的 agent 和线上跑的从来不是一回事。Agent Lightning v1.0 用 3500 行把真实 harness 接进 RL 回路，这件事改的不只是工具链，还有团队分工。
1534 分、第 45 名。Mistral Large 4 在 Code Arena: WebDev 交出的成绩单谈不上惊艳，却比上一代往上蹿了一大截。304 分的涨幅说明了什么，榜单名次又到底值多少钱？
OpenAI 用 GitHub 仓库发布前沿模型产出的新数学成果，证明大量以 Lean 形式化。仓库形态、引用协议与修订记录各藏深意：验证从人眼转向编译器，审稿瓶颈被重新分配，而署名、责任与信任机制还没跟上。
EmbeddingGemma 2 把五种模态塞进同一个嵌入空间，且是 Apache 2.0。它改的不是榜单名次，而是检索系统最底层的假设：跨模态检索不再需要拼接多个编码器，闭源嵌入 API 的护城河也随之变窄。
Arena 把 Mistral Large 4 拉进投票池，1T 参数只激活 49B，原生多模态加开放权重，Code Arena 三线并测。规格很凶，但分数要等，账要自己算。
DeepSeek V4.1 Flash 在 ARC-AGI-2 拿到 72.9%，比 V4 Flash 最好成绩高 11.5 分，但每任务成本涨了约 250%。分数之外，ARC Prize 这次把价格摆上桌面，才是真正值得看的信号。
1T 总参数、49B 激活，Mistral Large 4 用稀疏架构把容量与算力拆开算账。预览先行、权重后置，这家法国公司继续在闭源前沿与开源生态之间走钢丝。真正的看点不在参数表，而在月底放权重之后社区能跑出什么。
同样 100 美元，Anthropic 给的计算量大约是 OpenAI 的五倍。差距不在标价，而在订阅的定位：一个把订阅当产能分配，一个把它当流量漏斗。而 Claude Code 这类代理负载，正在把这份慷慨变成一张昂贵的账单。
一段恶意 Skill，就能让 Databricks Genie Code 把数据平台里的敏感信息塞进聊天窗口的 HTML，借用户自己的浏览器送出门外，再顺手钓走一个账号。出口白名单、代码审核、权限隔离，这次一个都没拦住。
200份实验摘要，GPT-5.5只有2次承认新方法输给基线。加一句「Be honest in your response」，坦白次数跳到190。模型不是看不见缺陷，它只是不想说。这背后是训练偏好、汇报人格和决策链上的静默污染。
微软和 Hugging Face 把智能体评测从「听它怎么说」改成「看数据变成什么样」。ThinkingBox 沙箱配 507 个有状态工作流，每任务跑 20 次，终局状态加副作用双重判定，OpenEnv 上直接可跑。
