Không có model release mới nào trong cửa sổ theo dõi đáp ứng đồng thời yêu cầu về nguồn gốc, dữ liệu kỹ thuật và mức độ ảnh hưởng; bản tin không dùng thông báo cũ hoặc model chưa xác minh để lấp mục.

Không có cập nhật sản phẩm mới nào sau mốc chạy trước đủ ngưỡng sàng lọc; các bài được thảo luận trong ngày chủ yếu là trải nghiệm cá nhân hoặc thông báo đã phát hành trước cửa sổ theo dõi.

Baba Is Bench — model mới tiến gần nhóm frontier nhưng harness vẫn làm thay đổi kết quả: Quesma chạy lại benchmark tác vụ agent trên trò chơi logic Baba Is You; bài gốc xuất bản ngày 20/08 nhưng chỉ xuất hiện trên Hacker News sau mốc chạy trước. Ở vòng Intro, Gemini 3.7 Flash đạt 100% pass@1, Grok 4.6 và GLM‑5.3 cùng đạt 96%, còn DeepSeek V4 Pro 0813 đạt 75%; so với phiên bản trước, Gemini giảm chi phí từ 124,31 USD xuống 5,38 USD, còn DeepSeek tăng từ 3/8 lên 7/8 màn và giảm chi phí khoảng bốn lần. Ở vòng Lake khó hơn, Gemini 3.7 Flash và GPT‑5.6 Sol đều giải 14 màn, Grok 4.6 và DeepSeek V4 Pro 0813 giải 13 màn; DeepSeek có chi phí thấp nhất trong nhóm dẫn đầu ở 8,48 USD nhưng mất hơn 22 giờ. Nhóm tác giả cũng cảnh báo kết quả phụ thuộc harness: đa số model chạy bằng Terminus‑2, riêng DeepSeek dùng Claude Code, và các harness chuyên biệt mới cho Grok/DeepSeek cho kết quả kém hơn; vì vậy đây là phép đo hệ thống agent chứ không phải so sánh thuần năng lực model. Nguồn: bài benchmark và bảng kết quả của Quesma, thảo luận Hacker News.

Baba Is Bench, agent benchmark, Gemini 3.7 Flash, Grok 4.6, DeepSeek V4 Pro, GLM-5.3, harness effect, cost per task