Cursor 团队与 SpaceXAI 今日联合发布 Grok 4.6，基于 Grok 4.5 打造，专注于长时间运行的智能体、更复杂的交互与视觉工作。在 Artificial Analysis Intelligence Index 上它与 GPT-5.6 Sol 持平（61 分），训练上进行了更长时间的补充训练、重新生成的 SFT 轨迹和广泛的智能体 RL。
推荐理由：原文给出训练方法、基准分数和定价细节，读者可以据此评估它在智能体编程场景中的定位。
Cognition 训练了 SWE-grep 和 SWE-grep-mini 两个快速智能体模型，专攻高度并行的上下文检索，检索能力匹敌前沿编码模型，耗时低一个数量级。
推荐理由：官方公布了模型设计、RL 训练细节和评测数字，读者可以借此了解并行上下文检索的实现路径。
Cognition 分享正在训练中的 SWE-1.6 早期预览：当前 checkpoint 在 SWE-Bench Pro 上比 SWE-1.5 高 11%（51.7% 对 40.1%），推理速度同为 950 tok/s，并向小部分用户开放早期访问。
OpenBMB 发布 2.6B 参数稠密推理模型 MiniCPM5-2B，以 Apache 2.0 协议开放权重，在 Artificial Analysis Intelligence Index v4.2 得分 15，为 4B 以下总参数开源权重模型最高。
Artificial Analysis 发布 GPT-6 Astra 基准测试报告，该模型在 Intelligence Index 得 53 分、Coding Agent Index 得 62 分，均与 Claude Fable 5.1 并列第一，且成本分别约为其 40% 和 60%。
推荐理由：原文给出 GPT-6 Astra 在两大指数中的得分、成本和 token 效率数据，可据此比较它与 Claude Fable 5.1 的实际表现。
ARC Prize 发布上线 24 小时的首日更新：社媒累计浏览 67.5 万，登顶 Kaggle 竞赛榜，已有 700 名 Kaggle 参赛者、70 次提交，当前最高分 18%。
ARC Prize 通讯宣布 Jack Cole、Mohammed Osman 和 Michael Hodel 在 ARC-AGI 私有评测集上创下 39% 的首个新纪录。
ARC Prize 官方推出 ARC-AGI-Pub 公开排行榜，使用公开评测集，取消算力限制、允许联网，并提供 15 万美元验证基金，对复现并验证的高分提交报销最高 $2,500 API 费用。
ARC Prize 社区通讯宣布 Team MindsAI（Jack Cole、Michael Hodel、Mohammed Osman）以 41% 的新 SOTA 成绩首次突破 ARC-AGI 40% 大关。
Tomer Tunguz 分析称企业、应用和销售各层买家正在用更便宜的开源模型替代前沿闭源模型，省下的钱并未缩小 AI 账单，而是被再投入到指数级增长的 token 用量。
推荐理由：作者用 Coinbase、Lindy、Harvey 等实例说明开源模型替代闭源模型后节省被再投入更多 token，提供一个理解 AI 成本结构的框架。
ARC Prize 2024 赛程过半，ARC-AGI 世界纪录提升 13%，达到 46%，由 Jack Cole 与团队 MindsAI 连续第三次刷新。Kaggle 参赛者已超 11,000 人，目前有 4 支队伍得分超过 30%。
ARC Prize 用同一基线测试框架实测 OpenAI o1-preview 和 o1-mini：o1-preview 在 ARC-AGI 公开评测得 21.2%，与 Claude 3.5 Sonnet（21%）相当，但单任务平均耗时 4.2 分钟，约为 Sonnet 的 10 倍，400 道公开题共花 70 小时，而 GPT-4o 和 Sonnet 只需 30 分钟。
推荐理由：ARC Prize 用同一测试框架给出 o1 在 ARC-AGI-Pub 的基线分数和耗时对比，并分析了测试时计算扩展的效率问题。
ARC Prize 主办线上活动，Mike Knoop 和 François Chollet 讲解为何纯深度学习难以攻克 ARC-AGI，并提出结合深度学习与程序合成的技术路径。
ARC Prize 官方公布 2024 年获奖名单并发布技术报告，共 1,430 支团队提交 17,789 份方案，大奖仍未被认领。the ARChitects 以 53.5% 获第一名并获 2.5 万美元，Kaggle 竞赛期间 ARC-AGI-1 SOTA 从 33% 升至 55.5%（MindsAI 因未开源不符获奖资格）。
ARC Prize 介绍 2024 年 ARC Prize 竞赛末期两个登上 ARC-AGI 公开榜单新 SOTA 的开源方案。
OpenAI 新版 o3 在 ARC-AGI 半私评测集上以 1 万美元算力上限取得 75.7%，高算力（172 倍）配置得分 87.5%，成为公共榜首。
推荐理由：官方测试方披露了 o3 各算力档的得分与每任务成本，并给出对其程序搜索机制的独立分析。
ARC Prize 宣布转型为 501(c)(3) 非营利基金会，2024 年联合负责人 Greg Kamradt 出任主席并加入董事会。ARC-AGI-2 基准与论文将于 2025 年第一季度末发布并用于 2025 年赛事，ARC-AGI-3 已在开发中；2024 年赛事有超过 1400 支队伍提交 1.7 万份方案，基金会还计划与前沿实验室合作并在 1 月中旬启动募资。
ARC Prize Foundation 发布对 DeepSeek R1-Zero 和 R1 的分析，两者在 ARC-AGI-1 上分别得 14% 和 15.8%，与 o1 低算力的 20.5% 接近，而 GPT-4o 为 5%。
推荐理由：ARC Prize 一手实测了 R1-Zero 与 R1 在 ARC-AGI-1 上的表现，提出 SFT 与纯 RL 的角色区分这一可讨论的判断。
ARC Prize 发布实验性基准 SnakeBench，用 2.8K 场 LLM 贪吃蛇头对头对战测试模型在动态环境中的实时决策与长期策略。o3-mini 与 DeepSeek-R1 在排行榜领先，ELO 分别为 1825 和 1801，推理模型在对阵其他 LLM 时赢下 78% 的对局。代码与结果已开源，完整 50 个 LLM 排行榜见 SnakeBench.com。
ARC Prize 基金会发布 ARC-AGI-2 基准并同步启动 ARC Prize 2025 竞赛，总奖金 100 万美元，Kaggle 赛程为 3 月 26 日至 11 月 3 日。
推荐理由：官方同步给出人机对比分数和成本数据，读者可以据此了解 AI 推理系统在新基准上的真实差距。
ARC Prize Foundation 发布 o3 和 o4-mini 在 ARC-AGI 上的首次公开评测：o3-medium 在 ARC-AGI-1 Semi Private Eval 得 53%，o4-mini-medium 得 42%，两者在 ARC-AGI-2 上均低于 3%。
推荐理由：ARC Prize 官方实测给出了 o3 与 o4-mini 在 ARC-AGI 两代基准上的准确率、成本和 high 推理不完整覆盖的数据细节。
ARC Prize 发布 ARC-AGI-2 技术报告，推出比 ARC-AGI-1 更细粒度评估抽象推理的新基准。400 人实测 1,417 个任务全部可被人类解出，平均每题约 2.3 分钟；发布时所有前沿模型成功率不足 5%，而同类模型在 ARC-AGI-1 上通常达 20%-50%。
推荐理由：原文给出人类与当前模型在同一新基准上的实测对比，读者可以据此评估推理能力的差距所在。
Theory Ventures 在成立三周年回顾中提出，AI 正在压缩时间：新模型每 41 天发布一次，企业以创纪录速度达到 1 亿美元营收，推理已成为 AI 的主导市场。该机构认为 seed 轮规模已从 100 万美元延伸至 5 亿美元，传统融资阶段分类不再代表公司成熟度；闭源与开源、云端与本地模型的差距也在收窄，本地运行可降低成本、改善延迟并减少数据治理顾虑。
ARC Prize 测试了各大实验室的 AI 推理系统，在 ARC-AGI-1 上得出准确率与成本的 Pareto 前沿，没有单一赢家：追求最高准确率选 OpenAI o3-medium/o3-high（o3-preview low 为 75.7% 但单任务 $200）。
推荐理由：ARC Prize 用统一基准横向比较各大推理系统，给出按准确率、成本和效率选型的具体建议，可直接用于模型选型。
Tomasz Tunguz 提出 AI 如同一个漏水筛子，前沿模型平均保持领先约 41 天，用户留存率在个位数高位到约 40% 之间，介于社交网络（约 80%）与手游（百分之几）之间。同等智能水平的价格每年约下降 10 倍，如 Grok 4.5 以每任务 $0.31 达到 Intelligence Index 54 分，买家每 41 天获得更多议价筹码，创业公司可随每月赢家切换模型。
推荐理由：作者用用户留存曲线和智能单价数据，把 AI 模型的用户流失放到软件、社交网络与手游之间定位。
ARC Prize 在 ARC-AGI Semi-Private 隐藏集上复测 Hierarchical Reasoning Model，得分为 ARC-AGI-1 32%、ARC-AGI-2 2%，大体复现论文声明（原文声称 41%）。
ARC Prize 基金会总结 ARC-AGI-3 Preview 上线 30 天的发现，首个交互式推理基准显示人类大多能通关游戏，AI 智能体则难以高效推进。竞赛收到 12 份提交，冠军 StochasticGoose 得分 12.58%，完成 18 个关卡，团队还提出以行动效率衡量智能，并计划增加撤销、离线引擎等改进。
推荐理由：原文给出了人类与 AI 在交互式推理基准上的行动效率差距和评分框架，读者可以据此理解智能评测的新方向。
Tomer Tunguz 撰文认为开源权重模型已多次追平闭源前沿模型，从 DeepSeek R1 到 GLM-4.6、GLM-5.2 和 Kimi K3，但 GPT-5.2 级闭源模型与 Opus 仍率先制造跃迁时刻。
ARC Prize Foundation 宣布推出 ARC Prize Verified 计划，通过官方隐藏测试集认证模型在 ARC-AGI 上的成绩，通过者可进入官方榜单并获得认证徽章。
ARC Prize 2025 结束，Kaggle 冠军 NVARC 在 ARC-AGI-2 私有集上取得 24.03%（每任务 $0.20），大奖仍未被认领；共 1,455 支队伍提交 15,154 份方案、90 篇论文，获奖方案与论文全部开源。
推荐理由：官方复盘 ARC Prize 2025 结果，提出 refinement loop 框架，并分析知识过拟合与基准设计需要演进的问题。
ARC Prize Foundation 发布 ARC-AGI-3 人类数据集，这是一项 458 名普通参与者参加的对照测试，也是 ARC-AGI 系列迄今最大规模的人类测试研究。
ARC Prize 通过 160 段回放与推理轨迹分析 GPT-5.5 和 Opus 4.7 在 ARC-AGI-3 上的表现，分数分别为 0.43% 和 0.18%（半私域数据集测试），并开源分析包。
推荐理由：ARC Prize 基于 160 段推理回放拆解两大模型的失败模式，指出总分掩盖了两者截然不同的推理缺陷。
ARC Prize 公布首个 3.75 万美元 ARC-AGI-3 里程碑奖（截至 6 月 30 日）前三名。冠军 Tufa Labs "The Duck" 用本地 Qwen 3.6 27B FP8 在 REPL 中写代码玩游戏，通过逐出旧消息实现无限游玩，团队称手工工具反而损害模型表现。
ARC Prize 发布 GPT-6 Astra 在 ARC-AGI-3 Semi-Private 上的评测结果：Standard harness 下得分 62.7%、成本 $26K，Provider Adapter harness 下得分 99.9%、成本 $19K，均为当时最佳成绩。
推荐理由：ARC Prize 官方实测数据完整，读者可以据此比较 GPT-6 Astra 在两种评测条件下的得分、成本与人类动作效率差异。
Anthropic 宣布未来的 Claude 模型生成文本将带水印，以遵守欧盟 AI Act 对 AI 生成内容标记的要求，采用 Google DeepMind 2024 年 Nature 论文中的 SynthID-Text 方法，并随 2026 年 7 月约 190 个签署方的 EU Code of Practice 一同公布。
推荐理由：官方解释了水印只改变选词随机性来源这一原理，以及质量、价格、检测 API 和各类边界情况的影响。
ARC Prize 基金会发布面向研究者的 ARC-AGI 入门指南，覆盖 ARC-AGI-1、ARC-AGI-2 静态推理基准与首个交互式推理基准 ARC-AGI-3。
Tom Tunguz 分析 OpenRouter 与 Ramp 数据指出，尽管 SOTA 模型比去年 11 月聪明三分之二且平均每三天有两个新模型发布，OpenRouter 上 84% 的 token 并非 SOTA。
推荐理由：作者用 OpenRouter 和 Ramp 数据分析 SOTA 模型的份额与价格弹性，指出应用部署正转向以价格优先的模型选择。
ARC Prize 公布 2024 论文奖获奖名单，一等奖由 Li 等人的《Combining Induction and Transduction for Abstract Reasoning》获得。
ARC Prize 官方公布 2025 Paper Award 获奖名单：A. Jolicoeur-Martineau 凭《Less is More: Recursive Reasoning with Tiny Networks》获第一名 5 万美元，第二名 2 万美元、第三名 5000 美元及多篇 Runners Up 和 Honorable Mentions 论文同步公布。
Tom Tunguz 用 25 个 VC 任务对比 DeepSeek V4 云端模型与两个本地模型，judge 模型盲评显示三者质量接近（8.0 左右），但路径不同。
推荐理由：作者以 25 个真实 VC 任务实测云端与本地模型，用质量、token 用量和延迟数据解释小模型靠更多推理弥补知识差距。