Anthropic发布Claude Opus 5.5强化长任务编程，OpenAI推出GPT-6 Sol与GPT-6 Luna双模型

9 月 23 日，今天值得关注的项目覆盖编程与办公、图像设计、机器人推理和文档解析：Claude Opus 5.5 与 GPT-6 Sol / Luna 更新能力与价格，蚂蚁百灵开放设计生成和图层拆分模型，阿里 Logics-Parsing-V3 将解析能力扩展至跨页文档结构。

★ Claude Opus 5.5

加强长任务编程、电脑操作与专业办公，并降低持续运行智能体的成本。

Anthropic 发布 Claude Opus 5.5，重点提升代码库级迁移、调试、审查和长时间自主任务能力。官方称，新模型在多数工作上的表现达到 Claude Fable 5.1 水平，同时改进了沟通方式，让回答更早呈现关键信息，并更好地遵循用户指定的写作规则。

成本是此次更新的重点。API 每百万输入、输出 token 分别为 4 美元和 20 美元，缓存读取为每百万 token 0.20 美元。官方报告，在默认设置下，典型任务整体运行成本较 Opus 5 降低约 40%，输出速度提高超过 30%；整体任务成本与单个 token 的降价幅度是不同口径。

模型已向 Claude 付费用户及 API 开放，适合持续调用工具、处理代码与制作办公交付物的工作流。此次版本始终启用思考模式，部分受限制的专业任务会转交其他模型处理。目前未开放模型权重。

★ GPT-6 Sol / GPT-6 Luna

以不同的能力与成本配置处理编程、专业工作和电脑操作，支持更大规模的日常调用。

OpenAI 发布 GPT-6 Sol 与 GPT-6 Luna，将 GPT-6 Astra 所采用的部分训练方法扩展到更快、更低成本的模型。Sol 面向较复杂的编程与专业工作，Luna 面向成本和调用量更敏感的日常任务，两者均更新了事实回答、电脑操作及协作表达能力。

API 价格方面，Sol 每百万输入、输出 token 分别为 2 美元和 10 美元，Luna 为 0.10 美元和 0.50 美元。此次还改进了提示缓存，并提供缓存监控、诊断和显式断点等能力，帮助长对话与智能体工作流减少重复处理上下文的开销。

两款模型已向相应订阅用户开放 ChatGPT Work、Codex 和 API 使用，Free 与 Go 用户可在桌面应用中使用 Luna。发布公告明确，普通 Chat 模式暂未提供这两款模型。API 模型名分别为 gpt-6-sol、gpt-6-luna，当前未开放权重。

🎙️ 实时语音识别

★ 网易有道 Confucius4-R2T2

把持续输入的语音实时转成文字，已确认内容不回改，适合字幕与语音 Agent。

网易有道发布 Confucius4-R2T2，开放模型权重与推理代码。它基于 Qwen3-ASR 构建，面向实时语音转写，重点优化中文与英文，同时保留多语言识别能力。开发者可以处理完整录音，也可以连续发送音频，逐步获得识别文字。

模型的核心特点是只提交稳定的文字前缀，已确认输出不再回改，减少实时字幕反复修改、闪动的问题，也便于下游 Agent 及时处理转写内容。官方报告平均延迟为 200—600 毫秒，支持按场景调整音频分块，在响应速度与识别准确率之间取舍。

项目提供本地推理示例和 WebSocket 服务，可接入直播字幕、会议转写或语音交互系统。代码采用 Apache 2.0，模型权重采用网易自定义许可；达到协议规定的用户规模或营收门槛时，需另行获得授权，不能将其视为无条件商用的 Apache 2.0 权重。

上手门槛

自行部署：🟢 较低｜提供 GPU 推理示例与 Docker 运行说明｜可启动 WebSocket 转写服务

模型权重：https://huggingface.co/netease-youdao/Confucius4-R2T2

项目源码：https://github.com/netease-youdao/Confucius4-R2T2

★ 蚂蚁百灵 Ming-Image-0.1-Design / Design-Layer

生成界面、海报与信息图，并将平面设计拆成可独立编辑的透明图层。

蚂蚁百灵开放 Ming-Image-0.1-Design 系列，包含两款 6B 参数模型。Ming-Image-0.1-Design 面向界面、海报、信息图等视觉设计，强调文字密集画面中的布局与文字呈现，并支持生成透明背景图像。

配套的 Ming-Image-0.1-Design-Layer 用于把已经合成的设计图拆成可独立编辑的透明图层，便于后续调整元素、替换素材和重新排版。两款模型分别覆盖“生成设计”和“拆开再编辑”，适合接入设计工具及自动化内容制作流程。

代码与权重采用 MIT 许可，仓库提供两类任务的推理入口。官方当前验证的默认部署配置为单张至少 80 GiB 显存的 GPU，以 BF16 运行；这一完整运行条件不能仅根据 6B 参数量推断为消费级显卡即可直接使用。

★ 阶跃星辰 Step Code

在终端完成代码阅读、修改与测试，支持长任务托管、定时执行和静态网站发布。

阶跃星辰开源终端编程智能体 Step Code。开发者进入项目目录后，可通过自然语言提出任务，由工具读取代码、修改文件、执行命令并运行测试，也可通过无交互模式接入脚本和批处理流程。

Step Code 提供长任务托管与定时执行，并支持子智能体、MCP、Agent Skills 和插件。内置 StepPage 能将本地静态页面发布为可分享的网址，支持版本管理与回滚，让代码修改、验证和页面交付在同一套工作流中完成。

项目采用 MIT 许可，提供 macOS、Linux、WSL 安装器，Windows PowerShell 支持目前处于 beta。当前默认产品入口仅内置 Step 服务，支持 Step Plan 订阅或 Step Platform API 计费；工具代码开源，模型调用仍依赖所接入的服务。

★ APXinf-robo

在 Jetson 等设备上运行机器人视觉语言动作模型，并通过兼容接口接入现有控制系统。

RLinf 开放 APXinf-robo，围绕 ApxInf 端侧推理引擎提供机器人策略运行能力。首个版本重点优化 π0.5 视觉语言动作模型，覆盖 Jetson Thor、Orin 与部分桌面 NVIDIA GPU，并提供 BF16、FP8、INT8 等精度路径，具体支持范围随硬件而异。

项目方报告，在双视角输入、10 步动作采样和批量为 1 的配置下，Jetson AGX Thor 的 FP8 稳态模型推理中位延迟为 41.16 毫秒；相应 FP8 配置在 LIBERO-10 的 500 次任务测试中取得 92.2% 成功率。延迟属于指定模型推理配置，不能直接等同于机器人感知到执行的完整控制周期。

项目提供 Python 接口和 OpenPI 兼容服务，可将图像、任务指令与机器人状态转换为动作序列，并附带模型迁移工作流。代码采用 Apache 2.0 许可，模型检查点需要另行下载；实际运行需针对目标 GPU 构建，FP8 路径还需要相应校准数据。

★ 阿里 Logics-Parsing-V3

解析多页 PDF 与图片，恢复标题层级、跨页内容和图文关联，输出结构化文档。

阿里发布 Logics-Parsing-V3，将此前的单页识别扩展为结构化长文档解析。这款 0.8B 视觉语言模型在逐页处理时传递紧凑的结构状态，保留前文关系，逐步恢复整份文档的层级，不要求将完整文档一次性放入上下文。

模型能够恢复标题层级、合并跨页元素，并建立视觉内容与相关文字之间的联系，同时支持复杂版式、科学公式和化学符号。输入可为单页图片、多页 PDF 或页面图片目录，输出包括 Markdown 正文、文档大纲和带元数据的 JSON，适合接入知识库、文档检索与资料整理流程。

项目方报告，在 NVIDIA H100、批量为 1 的 MPDocBench 测试中，V3 平均每页处理时间为 1.39 秒，该成绩对应窗口大小为 3 的配置。仓库采用 Apache 2.0 许可，并提供权重下载与推理脚本；公开测试硬件代表评测环境，不应当作最低部署要求。