A.I. 日报
ThinkingBox基准：智能体单次成功率高不等于可重复成功
微软作者发布ThinkingBox-Bench，含507个跨5个领域的业务流程任务，每项独立运行20次并按后端终态评分。Kimi-K3单次覆盖率达93.89%，但仅13.41%任务20次全对；Claude Opus 5覆盖率79.09%，全对率却达47.53%，说明发现能力与可重复性排名几乎相反。
Claude Opus 5
4 篇报道Claude Opus 5 是 Anthropic 推出的 Claude 系列大语言模型。近期相关报道集中在基准测试与实际使用表现上：ThinkingBox-Bench 显示它在 507 项业务工作流中至少成功完成 79.09% 的任务，20 次全部重复成功的比例为 47.53%，高于 Kimi-K3；另有测试用 Claude Code 调用它完成 OpenSCAD 与 CadQuery 的 CAD 任务。后续的 Claude Opus 5.5 在提示词指南中称输出 token 速度提升 30% 以上，写作风格分析则显示每千词破折号从 15.2 降至 0.8。
相关话题
- Anthropic2
- Claude Opus 5.52
- Hugging Face1
- Kimi-K31
- Microsoft1
- Qwen3.8-27B1
- Arena1
- CadQuery1
- Claude Code1
- ModelRift1
- OpenSCAD1
Anthropic发布Claude Opus 5.5提示指南
Anthropic发布针对Claude Opus 5.5的提示指南，称其输出速度比Opus 5快逾30%，完成同一任务所用token更少。既有Opus 5提示基本无需修改即可使用，指南还覆盖代理式编码、多应用工作流和安全拒答等场景。
Claude Opus 5.5写作风格变化：破折号减少95%
Arena分析显示，Anthropic的Claude Opus 5.5较Opus 5明显减少AI写作痕迹：每千词破折号使用量从15.2降至0.8，降幅约95%，分号从6.10降至1.64，平均句长从12.14词缩短至10.03词，但回答平均长度由453词增至481词。
基准对比：CadQuery 与 OpenSCAD 在自治式 CAD 任务的表现
ModelRift 对比了用于无人工监督的代理驱动 CAD 的两种代码化工具：OpenSCAD 与基于 OpenCascade 的 CadQuery。六个代理、三项任务、均由 Claude Opus 5（1M 上下文）通过 Claude Code 驱动，所有生成的 STL 都可打印，但两者在失败模式上不同。测试在 M 系列 Mac 上，CadQuery 2.8.0 + Python 3.14 与 OpenSCAD 2026.06.12 进行了对比，输出文件大小分别约 13.1 KB 与 12.4 KB。
已经到底了