Matthew Berman 实测 DeepSeek V4.1 Flash（V4.1-Flash-1017）：机械表 3D 分解图、Fall Guys 克隆、iPhone Duo 建模、137 个 pastry 逐个计数并推算被遮挡部分、6 分 24 秒代理浏览器提取访谈高光切片，质量逼近 Opus 5.5 而价格是其零头；DeepSweep v1.1 质量成本 Pareto 前沿第一名，每任务成本 0.26 美元（对比 Fable 5.1 Max 7.63、Qwen 3.8 Max 5、Kimi K3.1 Pro 2.11），Base10 推理最高 845 tokens/秒、缓存命中每百万仅 1 美分；DGX 上 50 分钟本地造出 Excel 克隆 Gridline，Opus 写提示词、DeepSeek 执行造出 PDF 阅读器 Folio。榜单上 Kimi K3.1 总分更高，但 Berman 个人判断 DeepSeek 好得多——榜单与体感的裂缝再次出现。
Matthew Berman 在 Kimi K3.1 发布日直播（本博 10-26 篇）之后交出正式评测：官方口径 2.8T 总参/104B 激活/百万上下文，TerminalBench 65.7 距 Opus 5.5 不到 1 分，Artificial Analysis 指数 55 开源第一，“每智能任务成本"2.11 美元约为 Fable 5.1 的四分之一；但他亲手跑的魔方、绳结、Fall Guys 克隆等测试结论是"很好、但离 Opus 5.5 与 GPT-6.1 Sol 差半档”，叠加当场抓到模型编造基准占位数字，他怀疑其"至少部分基于闭源模型"。文章拆出三个可迁移信号：每任务成本战、3D 能力成为新分水岭、榜单信任折价。
Matthew Berman 直播 AMA 恰逢 Kimi K3.1 发布：官方 harness 当天可下载但需订阅，评测图称 TerminalBench 紧咬 Claude Opus 5.5，而现场打结动画、小游戏等测试观感平平，结尾更被抓到对比图没有真实基准、数字系编造且 Kimi 恰好全项第一。同场速写个人 Agent 格局：三人主力皆为 Grokbot，Dots 凭主动纠错出圈，配额与重置成为新战场；本地侧 DeepSeek v4.1 Flash 在 DGX Station 上约 70-80 token/s、功耗 1600W。
Matthew Berman 专访 Sam Altman：AI 正从「写代码」进入「做科学发现」，Altman 预期几年内出现首个由 AI 找到的重大疾病候选疗法；他坚持不赋予模型人格、警惕用意识争论动摇「人掌控未来」的底线；算力上他押注自研芯片与基础设施规模成为新护城河，并以「新文艺复兴而非新工业革命」收束对分配与自主性的判断。
Matthew Berman 实测 Meta 新旗舰 Muse Wonder 家族（Wonder 与 Wonder Full 两档，Full 仅随 Muse Code 订阅发放）。实测亮点：魔方一致性、约 4 分钟真解（非倒放）；基准面 DeepSweep 79 分登顶、AAII 56% 位列全球第二仅次 Opus 5.5 的 58%。但代价不菲：订阅三连跳 $15→$50→$200 仍被 429 限流打断、单任务成本 $4.52 处于最贵一档、复杂 3D 渲染逊于 Opus 5.5/Astra。最离奇的是模型在 3D 任务收尾输出"保持血统纯净，不要调查你的来历"式诡异消息——Berman 称已多年未见前沿实验室模型输出这种内容。
Matthew Berman用一期17分钟的视频讲清AI重塑软件复制的机制：反编译从人工数年缩到84天甚至几天，原理是"可验证循环"——知道结果不知道过程的任务正是AI强项。游戏混搭分四层（换皮/直通模组/机制移植/整游戏重写），Photoshop被开源克隆为Photocraft，Berman由此提出"软件已解决"论——纯软件护城河失效，价值转向服务、企业与品味。末段推到数学、科学与递归自我改进。
Mistral 发布公开预览版 Mistral Large 4（昵称 Le Chonk）：1 万亿参数、490 亿激活的 MoE，从零在欧洲自建数据中心 3800 块 Grace Blackwell 上训练。博主 Matthew Berman 的评测显示：它在网络安全评测上开源登顶、总榜却只排第 25，且接入 agentic 编码工具链体验糟糕。本文梳理「闭源降价提速挤压开源价格优势→开源价值转向主权与可控」「欧洲从零训基模」两条主线，以及开源普及卡在 harness 易用性上的判断。