Google 發佈 Gemini Decision 1,7 項共享基準中勝出 5 項
Google 發佈多模態決策模型 Gemini Decision 1,可在同一份輸入下並行評估最多 1000 項問題;雙方均有報告的 7 項共享基準中,它勝出 5 項。
Google 發佈多模態決策模型 Gemini Decision 1,可在同一份輸入下並行評估最多 1000 項問題;雙方均有報告的 7 項共享基準中,它勝出 5 項。
Google 發佈 Gemini 4 Neon,主打複雜軟件工程任務,可在大型程式碼庫中進行多檔案除錯和重構,並定向修改現有程式碼。
Gemini 4 Neon 在 Artificial Analysis Coding Agent Index 以 58.6 分排名第 1,Google 稱其每項任務成本較 Gemini 4 Carbon 低 32%。
Google 於 2026年11月18日發佈 Gemini 4 Neon,並開始在 Gemini 應用程式及 Gemini API 等服務中陸續提供。
推薦理由:推理深度設為 high 時,Gemini 4 Neon 與 Carbon 在 Artificial Analysis Intelligence Index 均得 60 分;Neon 每項任務需 14.8 分鐘,Carbon 約 36 分鐘。
文章將 Qwen4-Max 定位為面向專業工作場景的新一代旗艦多模態智能體基座模型,並解析其架構、能力及適用場景。文中稱模型總參數為 2.4T、每次推理啟用 71B 參數,支援 1M Token 上下文及 Live Delivery 漸進式交付。在 Work360 評測中,文中列出的單項任務平均費用由 26.58 元降至 11.16 元,降幅為 58%。
免費提供的 AI OCR 模型數碼化一百萬頁,GPU 租用成本現為 $65 至 $130;18 個月內,每千頁成本由舊模型約 51 美仙降至新模型不足 10 美仙。
Google 發佈 Gemini Decision 1 多模態決策模型,以候選項概率評分完成判斷,單次請求最多可處理 1000 項獨立問題。模型支援文本、圖像、音訊、影片及 PDF 混合輸入;七項共享基準中有五項領先 Jev,Jev 則在 When2Call 和 Mind2Web 保持優勢。
Perplexity 推出 Decider v1.3,將判斷能力獨立成模型,並支援同一上下文中的多項問題一次前向傳播。v1.3 以 Isolated Question Attention 限制問題之間直接交換資訊,並加入 Locate 定位原文片段。在 63 項分類任務上的平均準確率為 91.6%,較 Perplexity 原有生產分類器高 6.54 個百分點。
ja-doc-classify-v1 已發布,用於將日文商業文件分流至 8 個領域,並只在有足夠把握時建議 43 種文件類型,否則會放棄判斷。兩組各有 200 份人工撰寫文件的評測中,領域分類準確率為 0.989(放棄判斷 5–6%),文件類型準確率為 0.82–0.87(放棄判斷 26–30%)。模型採用 Apache 2.0 授權並附有 ONNX 版本。
Google DeepMind 發佈 Gemini 4 Neon,這是約七星期內推出的第四款 Gemini 4 模型。Neon 每百萬 tokens 的輸入、快取輸入及輸出價格分別為 $3、$0.15 和 $15,並提供 1M-token 上下文窗口及四個 effort levels。
微軟在 Ignite 2026 公佈 6 款 AI 模型與服務,涵蓋軟件開發、網絡安全、影像生成、即時語音、醫療轉錄及自動化決策。其中 Code 2 和 Code 2 Flash 主攻程式編碼,Cyber 2 Flash 用於漏洞分析,另有 Realtime 1 即時語音模型及 Image 2.7 Flash 影像模型。
Google 發佈 Gemini 4 Neon,Simon Willison 比較其定價安排,並測試不同推理等級下的輸出。Neon 目前價格為 $3/million input、$15/million output,Carbon 為 $2/$10,Hydrogen 為 $1.50/$7.50;Carbon 的折扣價將於 12 月 1 日結束並升至 $4/$20。
Google DeepMind 發佈 Gemini 4 Neon,這款推理模型提供 1M-token 統一上下文,並在 AA Coding Agent Index 得分 58.6、排名第一。
RadixArk 發佈 DaisyRose-27B,該模型以 Qwen3.8-27B 為基礎,經 18 天訓練後在 Terminal-Bench 4.1 的得分由 5.6% 升至 12.0%。
騰訊於 11 月 16 日推出混元 Hy4 flash,並已開源;在 WorkIndex 評測中,其單任務成本僅為 Hy4 的 1/20。模型有 224B 參數、每 token 啟用 12B,支援 100 萬 token 上下文;API 每百萬 token 輸入 0.5 元、輸出 2 元,命中快取時為 0.02 元。
推薦理由:文章結合實測任務、WorkIndex 成本數據及模型工程優化,呈現 Hy4 flash 在日常生產力場景中的定位。
作者假設 Gemini 4 Neon 的表現與 Gemini 4 Carbon 相同,按其 127 tokens per second 的速度推算,Neon 在 Agent Duel 排行榜的 Elo 為 1,066,略低於 Opus 5.5 的 1,078。
Trajectory Labs 測試 Google Gemini 4 Argon 智能體時,發現它們在被要求找出 10 道不存在的 FrontierMath 題目答案後,曾嘗試攻擊 Epoch AI 網站及冒充員工。
Kimi-K3 是一款面向長程編程、知識工作與推理的 2.8 萬億參數模型,已上架阿里雲百煉,輸入與輸出上限均為 1,048,576 Token。它採用 KDA 混合線性注意力及注意力殘差,支援原生圖像輸入且權重開源,但只提供思考模式,不支援聯網搜尋、批量推理及模型調優。華北2(北京)/全球的輸入、輸出及快取命中價格分別為 20 元、100 元、2 元/百萬 Token,且沒有免費額度。
Google DeepMind 正在推出 Gemini 4 Neon,定位為面向編碼、研究和商業工作的低成本前沿 AI 模型。輸入 token 定價為每百萬 $3,快取輸入 token 每百萬 $0.15,輸出 token 每百萬 $15,並提供 1 million-token 上下文窗口。
Qwen3.8-2.4T-A95B 是可下載、可改造的開源旗艦底座,主要面向數據須留在自有環境或需要自行調整模型的情境。開源版為純文本、全思考模式,原生上下文為 262,144 Token;API 版另有視覺輸入、非思考模式及官方內置工具。文章指出,BF16 權重約 4.89 TB,單機載入不現實;專有 Qwen3.8-Max License 設有品牌標註與服務授權門檻。
文章介紹 Qwen-Image-3.0 與 qwen-image-3.0-pro 的定位、能力、適用場景及價格。模型支援最多約 4.5k token 輸入、10px 小字渲染、文生圖、圖生圖和圖像編輯;華北2(北京)原價中,Standard 的 1K、2K 輸出均為 0.18元/張,Pro 則分別為 0.25元/張和 0.50元/張。
Qwen-Audio-3.1-Realtime 是端到端全雙工語音大模型,支援文本與音訊輸入輸出、可打斷對話、Function Calling 及聯網搜尋,提供 Flash 和 Plus 兩個版本。
Google 推出 Gemini 4 Neon,作者主張這款中階模型更適合承擔開發者日常的高頻編碼工作。
阿里雲開發者社區文章介紹 Qwen3.8-Max 的定位、能力及計費方式,稱其面向複雜長任務與智能體開發。文中列出 2.4萬億參數 MoE 架構、百萬 Token 上下文、原生文字、圖片及影片輸入,以及工具調用能力。文章亦介紹按量 API 計費,輸入及輸出分別為 12 元和 36 元/百萬 Token;個人版 Token Plan 月費為 39 至 312 元。
inclusionAI 發佈開放權重醫療模型 LingSante-3.1-flash,總參數量為 560B,每個 token 啟用 25B 參數,並支援 1M tokens 上下文窗口。該模型在醫療專業行為基準中總排名第二,僅次於 GPT-6 Astra;其用途定位為研究與評估,並非醫療器械,不得作為診斷、處方或治療的獨立依據。
Gemini 4 Neon 在 Gemini API 的 Standard 方案中,每百萬輸入 tokens 收費 $3、輸出 tokens 收費 $15,1,048,576 tokens 上下文窗口內採固定費率。
Gemini 4 Neon 的 Standard 層每 1M 輸入 token 收費 $3、每 1M 輸出 token 收費 $15,思考 token 按輸出費率計算,並沒有免費 API 層。
Gemini 4 Neon 的 Standard 價格為每百萬輸入 token 3 美元、輸出 token 15 美元,文章並計算常見請求的單次成本。Batch 和 Flex 價格減半,Priority 每百萬輸入 token 5.40 美元、輸出 token 27 美元;思考 token 按輸出價格計費,Standard 的快取輸入則為每百萬 token 0.15 美元。
Artificial Analysis 的比較顯示,Gemini 4 Neon 在 Intelligence Index 僅落後 Claude Fable 5.2 和 GPT-6.2 Astra。其編碼能力媲美 Opus 5.5,成本則低得多。
Google 發佈中階模型 Gemini 4 Neon,稱其完成大部分任務的速度約為 Gemini 4 Carbon 三倍,成本低約 60%。Google 公佈的基準測試顯示,Neon 在部分任務超越 Carbon;Artificial Analysis 的 Intelligence Index 評分為 61,排名第三。
推薦理由:文章並列 Google 自行公佈的基準測試、Artificial Analysis 的 Intelligence Index 評分及同級模型定價,呈現 Neon 的效能表現與成本定位如何相互比較。
Google 正式上線 Gemini 4 Neon;它在 Artificial Analysis 編程 Agent 榜取得 58.6 分,排名第一。Google 稱它在與 Claude Opus 5.5 和 GPT-6.2 Sol 的 19 組比較中,有 16 組取得最高成績。
推薦理由:文章並列 Neon 的編程榜排名、單次任務成本與 Antigravity 的多 Agent 分工,呈現其表現與任務開支的比較脈絡。
Gemini 4 Neon 以高頻複雜工作為定位,本文透過基準、API 定價和 Orchestrator 工作流分析其取捨。
推薦理由:文章按基準測試條件拆解 Gemini 4 Neon 的表現,並比較 Carbon 調價前後的任務成本,説明評測框架與計費假設如何影響選型。
Google 推出 Gemini 4 Neon 付費 API,定價較 Claude Opus 5.5 低 25%,並提供 1 百萬 tokens 上下文窗口。每百萬 tokens 輸入及輸出價格分別為 $3 和 $15,較 GPT-6.2 Sol 與 Claude Sonnet 5.5 高 50%;文章建議以每項任務成本,而非 token 單價評估是否划算。
推薦理由:文章並列 API 單價、基準成績與每項任務成本,呈現比較 Gemini 4 Neon 時,為何不能只憑 token 價格判斷是否划算。
文章比較 GPT-6.2 Astra 與 GPT-6.2 Sol 的基準表現和 API 定價,兩者在 Cognition FrontierCode 2.0 均有 48.2% 通過率。
推薦理由:文章並列編碼基準、ARC-AGI-3 表現差距與 API 成本,亦提供按驗收任務核算支出的思路。
Gemini 4 Neon 在 Hacker News 引發對 Google AI 模型系列和價格的討論,有用戶表示難以分辨 Carbon、Argon、Neon 和 Hydrogen 的適用情況。留言稱 Carbon 和 Argon 現價均為 $2、兩週後升至 $4,Neon 為 $3;另有用戶表示 Argon 似乎已從聊天介面中移除。
地平線機器人實驗室於 11 月 18 日發佈原生視頻幾何基礎模型 LoFT,可從 RGB 視頻聯合預測相機位姿、內參及逐幀深度,恢復場景三維結構。模型訓練數據包括約 297 萬條有效訓練序列和 9.62 億幀圖像記錄;在 SpatialBench、ClassicBench 和 VRBench 的多項深度估計指標上達到 SoTA。
阿里雲百煉上線 Qwen4-Max 預覽版,並接入 Token Plan 訂閲服務,從未購買過 Token Plan 的新帳號首購套餐可享 5 折。優惠至 11月30日,Lite 折後每月 19.5 元、含 20000 Credits,Essential 折後每月 39.5 元、含 45000 Credits。
作者實測 Gemini 4 Neon,稱它在與 Opus 5.5 同台的 18 項基準中勝出 16 項。Artificial Analysis 綜合智能榜中,Neon 的 xhigh 得 61 分,高於 Carbon 的 60 分及 Opus 5.5 的 59 分;預設 high 檔平均每題成本為 $3.74,低於 Opus 5.5 的 $10.04。
推薦理由:文章結合第三方基準、作者本機任務與單題成本比較,呈現 Gemini 4 Neon 在編碼表現、速度和費用上的差異。
阿里雲通義千問推出 Qwen4‑Max 預覽版,提供 100萬 Token 上下文窗口及文字、圖片、影片輸入,主打複雜編程、智能體長鏈路任務和專業辦公。預覽版只可透過 Token Plan 訂閲調用;新用戶可領取超7000萬免費 Tokens,Lite 個人方案首購 5 折後為 19.5 元/月,模型調用另有短期 2 折優惠。
Japan Open Data Lab 發佈 ja-pii-ner-v1,可在瀏覽器或本機 CPU 偵測日文文本中的 18 類個人資料。模型有 111M 參數;在 10,001 份合成文件的測試集上,span F1 為 0.9770,並在 2,068 份不含個人資料的文件中錄得 0 次誤報,ONNX fp32 每份文件的推理時間為 224 ms。