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。
内容形态
评测基准 最新动态
模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
11 条精选近 30 天 11 条共收录 30 条
更新
评测基准的精选
Google Research精选AI 评分6262
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。
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。
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 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。
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。
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。