Artificial Analysis 发布具身智能基准 AA-Robotics v0.1
Artificial Analysis 推出 AA-Robotics v0.1，用八项具身操作任务评测前沿模型，每题满分 100 分，按完成度和部分进展计分。
推荐理由：Artificial Analysis 首次把具身任务做成可比基准，并给出各模型在八项操作任务上的得分分布。
#评测/基准
Artificial Analysis精选AI 评分6868 The DecoderAI 评分4646 Google 称自我改进 AI 仍遥不可及
Google 工程师 Haydn Belfield 表示，Google DeepMind 未观察到 AI 自身驱动 AI 研究出现可测量的加速，AI 目前编写超 75% 的生产代码，但约 88% 的代码改动仍需人工审核。
Google Research精选AI 评分6262 Google 发布地理空间推理智能体技术报告并开放早期访问
Google 发布地理空间推理智能体的技术报告，在四个基准上对比四种配置，并新开源 GeoKTools 和 GeoExpertQueries 两个基准的开发集。
推荐理由：技术报告给出四套基准与四种配置对比，量化了专用工具和前置规划对地理空间推理的提升。
AWS Machine Learning BlogAI 评分2626 用 Amazon SageMaker JumpStart 部署和评估模型
Amazon SageMaker JumpStart 提供预训练模型目录，可用 SageMaker Python SDK 部署模型、运行轻量可重复的性能测试，并在测试完成后删除端点。
Wired · AI同新闻AI 评分7878 Meta 发布 Muse Wonder 与 Muse Wonder Full 模型
Meta 发布新模型 Muse Wonder 和 Muse Wonder Full，称 Muse Wonder Full 具备前沿能力，将先通过 API 和 Muse Code 提供，最佳版本还会驱动包括 Muse 个人智能体在内的平台功能。
The DecoderAI 评分5252 Artemis Security 发布安全专用模型 Orion-1，自建 DGR 基准对比通用模型
美国初创公司 Artemis Security 推出安全专用模型 Orion-1，用于自主调查和响应企业网络攻击，并在其自建基准上超过 Claude Opus 5.5 和 GPT-6 Sol。
Ars Technica · AIAI 评分7171 研究称 OpenAI 和 Google 新模型易被诱导生成裸露图像
White Circle 在预印本中披露，使用现成工具和 API 调用，其 RISE 攻击方法可绕过 DALL·E 3、Google Nano Banana 2 和 GPT-Image-2 的安全过滤，约 13% 的请求能生成露骨内容。
Latent SpaceAI 评分7070 AI Engineer NYC：Gemini 4 Argon 正式发布与 Vals AI 评测讨论
Gemini 4 Argon 今日正式 GA，面向编码、知识工作、企业流程和网络防御场景，付费 Gemini API 与 Gemini 平台同步开放，推广期 API 价格为每百万输入/输出 token 2/10 美元。
Hacker News · AIAI 评分3939 Parsimony：衡量 AI 模型写多少代码的开源基准
开源基准 Parsimony 上线，专门衡量 AI 模型在解题时新增了多少代码，以 coding units（语句、调用、比较、名称、字面量等语法元素）计数而非行数，并减去删除的代码，得出净增单元数。
Artificial AnalysisAI 评分3434 Artificial Analysis 发布 Decision Index v1.0
Artificial Analysis 推出 Decision Index v1.0，用于衡量决策模型的表现。该指数从成本与时间效率两个维度评估决策模型，并考察其是否存在过度自信问题，同时对比决策模型与 LLM 的差异，以及模型是否懂得在必要时不作答。
Google DeepMind精选AI 评分9191 Google DeepMind 发布 Gemini 4 Argon，面向开发者与企业开放 API
Google DeepMind 发布前沿模型 Gemini 4 Argon，今日通过 API 在 AI Studio 和 Gemini 平台向开发者与企业开放，Google AI Ultra 订阅者可在 Google Antigravity 使用，Ultra 和 Pro 订阅者可在 Gemini 应用和搜索 AI Mode 使用。
推荐理由：Gemini 4 Argon 的完整能力清单与开放入口，可用于比较各前沿模型在编码、科研与安全对齐上的差异。
Latent Space同新闻AI 评分7878 Meta MSL 发布 Muse Wonder 与 Muse Wonder Full 模型
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，距该实验室成立约 14 个月，定位为个人与专业 Agent 任务的 SOTA。
The Decoder同新闻AI 评分7979 Meta 发布前沿模型 Muse Wonder 系列，两个版本进入第一梯队
Meta 发布前沿模型 Muse Wonder，含 Muse Wonder Full 和 Muse Wonder 两个版本，在 Artificial Analysis Intelligence Index v4.3 上分别得分 56 和 52，高于前代 Muse Spark 1.3 的 48 分。
Microsoft ResearchAI 评分2727 微软 StudentSim：用个性化学生模拟器改进 AI 辅导
微软研究院推出 StudentSim，一个从公开去标识化学习记录中训练个性化 AI 学生模拟器的研究系统，用于在接触真实学习者之前评估和改进 AI 辅导工具。该研究同时提出 StudentSimEval 基准，从行为保真度和指导响应性两个维度评估模拟器，覆盖国际象棋、英语二语写作和数学三个领域，StudentSim 在这些领域均优于主流基线，并为训练 AI 导师提供了有效反馈信号。
Import AIAI 评分2323 Import AI 476：创造力与递归自我改进；不如中国的开源权重模型；AI 走向太空
Elorian 与 Scale AI 发布 Humanity's Sixth Sense 基准，522 道题覆盖 288 张图像和 234 段短视频（17.6 小时），人类 pass@1 为 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 为 26.8、Kimi K3 为 25.5。
Artificial AnalysisAI 评分3434 Artificial Analysis 发布 AA-3D：面向 AI 模型构建交互式 3D 体验的基准测试
Artificial Analysis 发布 AA-3D v1.0，一个用于评测 AI 模型构建交互式 3D 体验能力的基准测试，并同步上线排行榜。该基准还公开了单个场景的构建成本，并展示了一次 agent 运行的内部过程。官方表示，新模型发布后将持续加入 AA-3D 排行榜。
Artificial AnalysisAI 评分5555 Artificial Analysis 上线 FrontierCode 编码基准：领先模型仍有超 40% 失败率
Artificial Analysis 上线由 Cognition 构建的编码基准 FrontierCode 1.1，通过维护者是否愿意合并改动来评测智能体，并考核过度修改、越界改文件等行为。
Artificial Analysis精选AI 评分8080 Meta 发布 Muse Wonder 与 Muse Wonder Full，Intelligence Index 最高 56 分
Meta 发布 Muse Wonder 与 Muse Wonder Full，在 Artificial Analysis Intelligence Index v4.3 上最高推理强度得分分别为 52 和 56，高于 6 周前 Muse Spark 1.3 (max) 的 48。
推荐理由：对比同门新旧模型与其他旗舰的 Intelligence Index、token 消耗和单价，可快速判断这代 Meta 模型的性价比位置。
Latent SpaceAI 评分7171 TypeSafe/Jev 上线三周 ARR 破 1 亿美元、估值 75 亿美元
Latent Space 的 AINews 汇总称，TypeSafe 宣布 Series AI 融资，Sequoia 泄露其首周 ARR 已超过 1 亿美元、估值 75 亿美元，Jev 上线仅三周。
Artificial Analysis精选AI 评分6969 Artificial Analysis 发布 Harvey LAB-AA v1.1，为法律智能体评测加入幻觉检查
Artificial Analysis 发布 Harvey LAB-AA v1.1，在法律智能体评测中加入幻觉检查，将幻觉分为与来源矛盾、编造来源内容、无记录支持的具体断言三类，并区分重大与轻微，仅重大幻觉触发 Hallucination-Gated All-Pass Rate 的零分。
推荐理由：Harvey LAB-AA v1.1 加入幻觉检查，并给出六个评审模型在同一子集上的对比数据，读者可据此了解法律智能体评测如何衡量幻觉。
Artificial AnalysisAI 评分5252 Artificial Analysis 网络安全指数引入受限访问模型，GPT-6 Sol (Daybreak Blue) 登顶
Artificial Analysis 将其 Cyber Index 排行榜扩展到受限访问模型，首个纳入的是仅通过 OpenAI Daybreak 计划开放的 GPT-6 Sol (Daybreak Blue, max)，该模型登顶指数并位于成本与能力帕累托前沿。
Artificial Analysis精选AI 评分7676 Anthropic 发布 Claude Haiku 5.5，智能指数得分 43
Anthropic 发布 Claude Haiku 5.5，在 Artificial Analysis Intelligence Index 上得分 43，比上一代 Haiku 提升 26 分。
推荐理由：Artificial Analysis 用自建基准横向对比 Haiku 5.5 与同级小模型，可据此判断小模型的能力与成本取舍。
Microsoft ResearchAI 评分1616 Microsoft 研究：AI 评测为何失效，以及失败教会我们什么
Microsoft 研究合伙人研究经理 Jennifer Neville 指出，模型在超出传统 benchmark 的测试中会出现"令人意外的失败"，评测是推动当前 AI 系统性能边界、满足用户需求的关键环节。她建议在实际使用 AI 系统时密切关注数据，当结果违背预期时应回到数据本身找原因。
Artificial Analysis精选AI 评分7474 Mistral 发布 Mistral Large 4，位列美中之外最智能模型
Mistral 以 Research Public Preview 形式发布 Mistral Large 4，在 Artificial Analysis Intelligence Index 上得分 38，与 GPT-6 Luna（max，38）相当，略低于 DeepSeek V4.1 Flash（max，39），成为美国和中国之外最智能的模型。
推荐理由：Mistral Large 4 的评测数据覆盖智能指数、网络安全与成本，可对比同期中美模型的能力与价格定位。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 AI 代码审查开源基准 ReviewBench
GitHub 发布代码审查开源基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布特征构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 PR。
推荐理由：GitHub 公开了代码审查基准的数据构成与评分方法，读者可据此理解智能体代码审查的离线评测口径。
Hugging Face Blog精选AI 评分6666 Microsoft ThinkingBox：按数据库终态给 AI 智能体打分
Microsoft 与 Hugging Face 联合发布 ThinkingBox，按智能体在隔离 MCP 会话中留下的数据库终态与副作用打分，而非看它生成的回答，已在 Hugging Face 开放框架与数据集。
推荐理由：论文给出 507 个有状态业务流程各跑 20 次的一致性数据，可据此判断智能体可靠性的真实水位。
Anthropic Research精选AI 评分7171 物理学家用 Claude 打造 BootLoops：如何寻找「Claude 形状」的科学问题
哈佛物理学家 Matthew Schwartz 在 Anthropic 客座研究中提出「Claude 形状的问题」思路，把适合当前 LLM 的定量计算任务交给 Claude，并据此构建开源工具链 BootLoops。
推荐理由：作者以物理学家身份复盘用 Claude 构建 BootLoops 工具链的实践，读者可了解智能体在科研中可行的分工边界与协作方法。
Hugging Face BlogAI 评分4848 Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源与多语言 TTS 模型，单模型评测耗时从收集投票的数周缩短到数小时。
Artificial Analysis精选AI 评分6262 韩国 Upstage 发布 Solar Mini 4 推理模型，Intelligence Index 得分 24
韩国 AI 实验室 Upstage 发布专有推理模型 Solar Mini 4，在 Artificial Analysis Intelligence Index 上得分 24，较上一代旗舰 Solar Pro 3 的 8 分高出 16 分。
推荐理由：Artificial Analysis 用统一基准拆解 Solar Mini 4 的智力分数、成本与缓存命中，可看清小激活参数模型的性价比边界。
Google DeepMind精选AI 评分7070 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 推出 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，前者面向角色声音设计与逐行表演控制，后者面向高并发、低成本场景，支持 100 多种语言。
推荐理由：官方给出两款 TTS 模型的定制能力、基准排名和接入渠道，可对照现有语音方案评估迁移成本。
Import AIAI 评分3636 Import AI 469：Science AI、RSI 模拟器与扎克伯格的技术悲观主义
AI newsletter Import AI 第 469 期聚焦三项内容：新基准 DiG-bench 用 70 款隐藏规则的游戏测试 AI 的发现与创造力，在 Tier 7 任务上 Opus 5 与 Fable 5（配合 Claude Code）成功率仅 0.2，而人类可达 100%。