模型觀點 · 趨勢觀察 （貼文原發 07-17）
本篇出自 2026年8月3日 晨報
先說這「差一分」是哪把尺量出來的：第三方評測機構 Artificial Analysis 的綜合智力指數，也就是把多項測驗加權成一個總分的排行榜；Kimi K3 與 Anthropic 上一代旗艦 Opus 4.8 在這張榜上只差一分。這張榜的具體讀數攤開來是：K3 57 分、Opus 4.8 56 分，同榜 GPT-5.6 為 59、Fable 5 為 60，K3 排第 3；「差一分」發生在前段班擠在四分之內的區間裡。至於這張榜的滿分刻度與各分項的加權方式，本報未入庫，能交代的只有同榜的分數與名次，拆不出總分是怎麼加起來的。Teortaxes 再把逐任務成績攤開：K3 在幾乎每一項任務上都與 Opus 4.8 相同，唯一顯著落後的是一個數學積分題項；若該項補到 DeepSeek 的 90.7 分，總分將達 78.8（Teortaxes，07-17）。這裡要提醒一件事：90.7 與 78.8 出自另一份第三方逐任務評測，Teortaxes 貼文稱該評測由第三方 Lisan 提供。Lisan 是何方——個人評測者、工具還是機構——本報未能確認，原始榜單也未取得，這兩個數字只能溯源到 Teortaxes 的轉述。這份評測與前面那個智力指數分屬兩把尺；兩把尺的刻度不能互通，所以這兩個數字既不能拿去跟智力指數的分差相減，並列也不代表它們量的是同一件事。本報的處理是：那份逐任務評測的原始榜單未入庫，加總方式是 Teortaxes 自算，本報沒有重算，這兩個數字未經核對。他順帶的判斷更值得記：「math-maxxing 似乎已不再是各家的優先項」，也就是把數學練到極致這件事正退出前沿實驗室的資源配置（同串）。驗證： 單源讀表、原始榜單未入手；「數學退場」與各家仍高調展演競賽數學的現實方向對立，可能的調和是「展演」與「訓練優先序」是兩件事，本報保留張力、不調和。判斷更新： 「K3 可當 Opus 4.8 平替」這條要換個看法：兩者的能力剖面在逐任務層真的重合，並非各有強弱、剛好互抵，所以選型別再拿單一綜合指數比價，要看逐任務的殘差落在哪一項。給做產品的人一句可操作的：需要強數學能力的產品，不能預期靠下一代通用旗艦自動變好，選型時要把數學項單獨拉出來量。
只留 email，隨時退訂。這是我們唯一想請你做的事。
K3 發布材料兩條線（經 Teortaxes 逐字轉引）：開發後期「一個早期版本的 K3 撰寫了大多數 kernel」。kernel 是決定模型跑多快的底層加速程式，等於用上一版模…
昨夜新進的 15 篇論文尚未處理、本欄無單日增量，出一組「說法對學術」的對照。Vinyals 自陳過去一年改變的想法：在數學／寫程式這類答案可自動核對的窄領域上訓練（AI 圈稱 R…
訓練 AI 的一條新路線是「rubric 型獎勵」：不另外訓練一個獎勵模型，改用一張評分表替答案打分。Ai2（Allen Institute for AI）研究員、電子報 Inte…
AI 數據研究機構 Epoch AI 與評測機構 METR 釋出基準 MirrorCode：要求 AI 在看不到原始碼、不能上網的條件下，只靠指令列輸入輸出去「重新實作」一個目標程…