Opus 5.5 把解释视频彻底抢光了

这周 Anthropic 把 Opus 5.5 上线，第一时间就让人笑了：不仅简单基准吃了 88.4% 的分，连推特上刷屏的解释视频都是它生成的。那些“看完就懂”的短视频，帧数一致、文案流畅，点开之后才发现不是人做的。

关键数据一览

• SimpleBench：Opus 5.5 领跑，得分 88.4%
• 视觉评估：@skalskip92 排名 Anthropic 目前最强视觉模型，超过 Fable 5 与 GPT-6 Sol，但不及 GPT-6 Astra，价格比 Fable 5.1 低 60%
• Terminal-Bench-Science：低 effort 24% → xhigh 62% → max 59%，推荐不要用 max，@theo 说它“强行加最小推理预算”
• 社区情绪：很多人觉得 200 atche 的 Claude Code 计划已经比 Codex 好，Astra 仍是审阅/审计首选

其他发布物怎么样

• GPT-6 家族：Astra reportedly 打赢了 NetHack，用了第三次；Luna [Max] 来到 Code Arena WebDev 第 24（1593），比 GPT-5.6 Luna 上涨 74 分，融合价约 $0.40/Mtok
• DOOM agent 匹配：Astra 胜率 82.5%，Sol 最快，Luna 性价比最高
• Gemini 3.8 Flash：AA Intelligence Index 得分 41，在 Cline 里免费；ARC-AGI v2 得 89.2%（$0.40/task），v1 得 98.5%，v3 则掉到 10.4%（标准 harness）和 35%（provider harness）
• 小米 MiMo-V2.6-Pro：MIT 协议开源，百模多模，对 1M 上下文，AA Index 得 46，比 GPT-5.6 Sol（47）仅低一点；单价 $0.13 vs $1.99/task，还开放了 RL 代码与训练环境
• 其他：Grok 4.7 在 Agent Arena 第 16（$1.14/task）；Meta 的 Muse Spark 1.3 上 GCP 和 Oracle，Spark 1.4 出现在 OpenCode

Jev 与判断类模型

• TypeSafe Jev：据说下周要融资 10B+ 美元；Jev 使用 RL 训练用于“校准决策”，直接返回带概率的类型化结果，不像大模型那样胡言乂 Reasoning Text
• Jev-as-a-Judge 论文：每 1K 判断 $0.044，中位数延迟 152ms，比 GPT-6 便宜 277 倍；RewardBench 与 HaluEval 落后 3 分，JudgeBench 落后 14.5 分；加一层“低信心调用 Astra”的 cascade 能保持 99% 准确率，花 57% 成本
• 生产信号：Ramp 复现 GPT-5.6 Luna rerank 准确率，tail latency 降到 300ms，成本降 3 倍；turbopuffer 原生支持 rerank，Jev 是 OpenRouter 1K–10K context 榜首
• 替代方案：CLM 是 contrastive 模型，嵌入 situation+action 后排序，比 Jev 快 9 倍，更擅长 long-horizon 验证；Fastino GLiNER2.5-Decide 支持 spans+relations+constraint-consistent 结构化决策，CPU 167ms，GPU 38–47ms；Tev1 0.8B 类似 Jev 分类器，本地 Ollama 端到端约 50ms

Agent 基础设施

• LangChain Interrupt：发布托管 Deep Agents 0.8
• Perplexity Photon：检索相关
• 还有检索相关

独立评测看起来怎么样

来源链接是 https://github.com/ickma2311/jev-baselines-eval，作者 2026-09-18 跑的 independent 预注册评测，内容是 intent classification + confidence-gated cascades，API 花销大概 $1，全部自己掏钱。

> README 里还有第二份研究，题目是“你的 confidence gate 能抵挡 authority-framed prompt injection 吗”，覆盖 Jev 自己和两个开源复刻版。

不过 9 月 18 日那天作者也发了勘误：第一版 overstated 一些结果，第一轮修正还在进行中。