深度文章

GPT-5.1-high实测深入分析了该模型的性能变化。测试结果显示，整体准确率从68.9%微增至69.7%，但推理与数学计算能力显著提升10.0个百分点，达到84.7%。医疗、金融和法律等专业领域准确率也有小幅改善。然而，语言理解能力下滑8.6%，教育领域下降2.5%，表明深度思考模式在增强推理的同时削弱了基础指令遵从。模型平均耗时117秒，token消耗激增336%，反映了高性能的代价。

Grok-4-1-fast-reasoning的实测聚焦于其在智能体工具调用场景下的优化效果。官方定位为高性能智能体模型，Agent能力从48.4%提升至65.4%，速度从293秒缩短至62秒，显著改善响应体验，成本从每千次241.5元降至8.1元。然而，在实际应用中，准确率64.3%在同成本模型中表现中等，且专业领域能力下滑，可能限制多场景适用性，需在速度与准确率间权衡。

本文对Grok-4-1-fast-non-reasoning模型进行了数据驱动的实测。测试基于约1.5万道题，准确率为47.6%，平均响应时间60秒，每次调用消耗685 token，成本为每千次调用1.61元。对比前代grok-3-mini，准确率从61.7%骤降至47.6%，降幅14.1个百分点；响应时间从182秒缩短至60秒，提速67%；token消耗减少，导致成本从5.2元降至1.6元。

智能体在跨越多个上下文窗口工作时仍面临挑战。我们从人类工程师身上获得启发，为长时间运行的智能体创建更有效的运行框架。

Gemini-3-pro-preview虽在评测中超越豆包成为新王者，但高成本可能严重限制其商用场景应用。每千次调用247.3元的成本是豆包的近16倍，对于日常应用如客服或内容生成，规模化部署面临显著障碍。尽管响应时间优化至64秒，但豆包的37秒在实时交互中更具优势，影响用户体验。在科研或极致准确率需求领域成本或许可接受，但普遍商用需权衡性能与费用，其医疗和推理领域优势与语言理解回退共同影响通用性

我们新增了三项 beta 功能，让 Claude 能够动态发现、学习和执行工具。下面介绍它们如何工作。

使用 Hooks 配置 Claude Code 桌面通知，在任务结束、需要输入或请求权限时收到提醒，不必一直盯着终端。

使用斜杠命令把 Claude Code 从聊天机器人改造成确定性执行引擎，并通过完整工作流自动完成整个功能开发周期。

GPT-5.1-medium实测评估了其在多个实际应用场景中的表现。医疗与心理健康领域准确率从75.6%升至77.3%，金融领域从71.3%升至75.4%，agent与工具调用从57.8%升至61.7%，显示在专业任务中能力强化。思考模式适合需要深度推理的复杂场景，但教育和法律行政领域下降，且高token消耗和响应时间可能限制日常应用。

GPT-5.1的战略转型意味着其应用场景的定位可能发生变化。模型在传统基准任务上的性能退步，表明它或许不再以复杂的专业分析、精确的数学推理或严格的指令执行见长。相反，官方强调的“更温暖、更有同理心”的特性，暗示其更适用于注重交互流畅性、情感陪伴和自然对话的场景。因此，对于需要高度精确性和逻辑深度的应用，该版本可能并非最优选择，而在强调沟通体验的领域，其潜在价值有待进一步评估。

谷歌Gemini 3 Pro作为全球最强多模态推理模型，展示了AI在复杂任务中的推理与执行能力。测试覆盖学习辅助、创意开发、代码生成和长期规划四个场景，要求生成可直接运行的代码或可交付成果。模型能够处理多模态输入，输出符合技术要求的HTML、React应用或策略报告，体现其将抽象需求转化为具体功能的能力，标志着AI在思考与实践结合上的进步。

全面介绍 Claude Code 的 MCP、CLAUDE.md、Skills、子智能体、Hooks、插件和定时任务。

作者如何构建一个能够生成 Skills、智能体和命令等内容的 Claude Code 插件，从此不再复制粘贴样板代码。

MiniMax-M2是一款专为编码与智能体应用设计的轻量级MoE模型，其轻量架构在多个能力维度实现了性能与效率的权衡。新版本在保持推理能力稳定的同时，显著优化了语言指令遵从及工具调用能力，准确率提升3.3个百分点。不过在部分专业领域的表现有所回落，体现了针对通用场景的优化侧重。

直接工具调用会为每个定义和结果消耗上下文。让智能体编写代码来调用工具，扩展性会更好。下面介绍它如何与 MCP 配合工作。

Claude Code 新增的两项沙箱功能：沙箱化 bash 工具和网页版 Claude Code，通过启用文件系统与网络隔离这两道边界，减少权限提示并提升用户安全性。

Claude 很强大，但真实工作需要流程性知识和组织上下文。介绍 Agent Skills：一种使用文件和文件夹构建专门化智能体的新方式。

上下文是 AI 智能体的一项关键但有限的资源。在本文中，我们探讨如何有效筛选和管理驱动智能体运作的上下文。

这是一份关于三个 bug 的技术报告，这些 bug 曾间歇性降低 Claude 的响应质量。下文会解释发生了什么、为什么修复花了时间，以及我们正在改变什么。