AI 模型與研究 第 13 頁

Raven 把專職代理編排成工作圖，也聲稱 harness 能隨經驗演化。本文核對原始論文、作者測試與外部研究，說清楚規劃分數和可靠交付的距離。

ElevenLabs 推出 Eleven v4 與 Turbo：外部語音擂台排名第一，但約 75% 偏好及 150 毫秒首聲時間各有測試邊界。拆解模型表情、延遲與語音 Agent 的驗收重點。

以三道可驗收的 Codex 任務比較 GPT-6 Sol、GPT-6.1 Sol 與 Effort。固定提示、測試與 repo 起點，計入失敗、人工修正和用量，再決定是否切換。

Anthropic 測得 GLM-5.3 在隔離 ExploitBench 的 410 次嘗試中有 50 次完整漏洞利用。NIST 也見到開放權重模型的資安能力提升，但兩份評分方法不同；模擬防護數字更不能當成真實入侵成功率。

Jeff 決策模型開放權重，作者報告 M4 Max 每次 28 毫秒；但 v1.0 的長選項漏洞提醒我們，速度與判斷品質要分開驗收。本文拆解 v1.1 修正、基準分數與適用邊界。

GPT-6.1 Sol 的外部評測顯示，綜合指標與 Astra 只差 1 分，單題成本約為 0.72 對 3.26 美元。這篇對照官方資料與測試邊界，教你用合格任務的總成本判斷是否值得換模型。

H Company 發布 Holo4 27B 與 35B-A3B：同一模型跨 GUI、程式碼、MCP 與 API。拆解 OSWorld 2.0 的 61.7% 部分得分、41.5% 完整成功率、Harness 影響與兩種權重授權。

Fireworks 聲稱 Ember-1 保持 Kimi K3 相近品質、少用約 40% token；拆解客戶 A/B、基準測試、相同 API 標價與長流程 Agent 的真實成本。

Claude Sonnet 5.5 與前代同價，Anthropic 宣稱每件任務最多省三成。對照官方 Terminal-Bench 與 Vals AI 外部測試，拆解跑分、fallback 和真正的成本。