找到 11 筆
一位使用者用同一提示詞讓 Opus 5.5 和 Sol 6.1 在 15 分鐘內用 three.js 建置簡化版布萊德湖城堡，要求可環繞旋轉相機並保持寧靜氛圍。Opus 5.5 用時 5 分 46 秒，約 30 萬輸入加 1.8 萬輸出 token，估算 API 成本約 1.56 美元；Sol 6.1 用時 11 分 2 秒，約 40 萬輸入加 1.6 萬輸出 token，估算成本約 0.96 美元。
openJiuwen 團隊發布自演進模型路由技術 X-Router，在 PinchBench 全量 147 個任務實測中，靜態路由得分 66.3%、成本 $8.25，相比全量呼叫 Kimi-K2-Thinking 的 71.36%、$11.11，成本降低 44.6%。該技術基於五檔複雜度分檔路由，用本地 Qwen3-0.6B 做程序內分類器，支援端雲分級與 Bandit 自演進，並已接入 WorkSwarm 的 MoA 多模型協同。
據 The Information 報導，Meta 和微軟正在減少員工對 Claude 的依賴，推動開發者轉向自家 AI 工具。Meta 內部 Claude Code 活躍使用者從 6 萬降至 3 萬，減少 50%，由自研的 Muse Code 和 MetaCode 補位，最近一個 28 天週期在 Claude Code 上花費超 1.05 億美元。
企業一度鼓勵員工儘可能多地使用 AI，即所謂的 #tokenmaxxing，隨後賬單隨之而來。報導援引一項針對近 400 家企業的調查稱，其中只有 11% 能準確預測自己的 AI 支出。AI 使用量以 token 計量，而企業發現 token 很難統計，這讓 AI 預算幾乎無法編制。
Google 於 10 月 1 日突然發布 Gemini 4 Argon，在 DeepSWE v1.1 上以 77.9% 超過 Claude Opus 5.5 和 GPT-6 Astra，Vals Index 以 68.90% 登頂，Text Arena 以 1525 分居首。優惠期單題成本約低四成，每百萬輸入 Token 2 美元、輸出 Token 10 美元，支援百萬 Token 輸出。目前僅開放給經篩選的網路安全團隊，通過 Fairwind 計劃使用，其他訂閱使用者需等待。
一位使用者在 Blender 中使用 Claude Opus 5.5 時發現，直接畫出空間意圖比用文字描述形狀更高效。文字擅長說明物體是什麼，卻難以表達位置、大小和數量，因此他改為提供草圖或空間參考。整個專案共消耗 3300 萬 token，API 成本 16.07 美元，執行 48.5 分鐘。
一位使用者用自訂 Pi agent 搭配 High 思考檔位的 Opus 5.5，耗時 27 分 45 秒、花費 6.17 美元（主 agent 4.97 美元、設計審查 agent 1.21 美元），產出一個 1029 行、零依賴的 HTML 檔案。輸出 122,689 tokens，其中思考 66,163 tokens；總 token 約 600 萬，約 95% 為快取讀取。
輝達援引 SemiAnalysis AgentX 資料稱，Vera Rubin NVL72 每兆瓦吞吐量超過 GB300 NVL72 的 30 倍，在 DeepSeek V4 Pro 上每百萬 token 成本最多低 45 倍。輝達以「高產、耐用、通用」概括 AI 工廠回報邏輯：每兆瓦 token 數決定收益，A100 出貨六年後仍在商用，CoreWeave 已將 2020 年首批裝置的預訂延長至 2029 年。
美國初創公司 Reflection AI 發布首個前沿開源權重模型 Beam，稱其在高階推理基準上以更低推理成本對標中國領先開源模型。Beam 是純文字混合專家模型，總引數 5010 億、啟用 230 億，預訓練用了 23.8 萬億 token，上下文視窗 100 萬 token；對比 Z.ai 的 GLM-5.2 總引數約 7440 億、啟用 400 億。
OpenAI 於 2026 年 10 月 2 日發布 GPT-6 系列模型指南，該系列包含三款模型：GPT-6 Astra（輸入 $10/輸出 $50 每百萬 token）、GPT-6.1 Sol（輸入 $2/輸出 $10）和 GPT-6 Luna（輸入 $0.1/輸出 $0.5）。指南建議按任務難度匹配模型與推理等級，並利用提示快取（快取輸入最高便宜 95%）和壓縮控制成本，同時提供 Fast 與 Ultrafast 加速模式。
Percepta 公布新架構 Spotlight，用可讀寫記憶取代注意力機制，宣稱是首個實現記憶無限增長而不增加訪問成本的架構。每個 token 只讀寫少量記憶單元，稀疏度可任意調節，不像 MoE 那樣固定啟用比例。該架構把負責計算的智慧模組與存放知識、流程和狀態的記憶分離，模型權重不隨記憶增長而改變，可自行決定載入與覆寫，從而無需重訓練即可獲得新能力。