Physis-Lang 搭配 NVIDIA Cosmos 3 Super 和 Nano 在 Physics-IQ Verified 图生视频（image-to-video）排行榜上分列第 1 和第 2 名。该基准测试衡量生成视频对真实世界物理规律的遵循程度，完整排名见 physics-iq-verified.anates.ai/?track=i2v。
GPT-6.1 Sol 现已在 Cognition 的 Devin 中可用。在 FrontierCode 1.1 上它得分 60.4%，与 GPT-6 Sol 的 60.7% 基本持平，但成本大幅降低：中等推理强度下每任务 $0.31，比 GPT-6 Sol 最高推理强度的成本低 81%。
Cognition 引用 Devin 博客数据称，GPT-6.1 Sol 在低算力档位下得分为 58.1%，单任务成本 0.21 美元；同一设置下 GPT-6 Sol 得分为 50.5%。这一成绩是排行榜上单任务成本低于 0.30 美元的模型中最高分，原文称更大的变化发生在低端档位。完整数据见 devin.ai/blog/gpt-6-1-s…。
GPT-6.1 Sol 已在 Devin 上线，在 FrontierCode 1.1 上得分 60.4%，与 GPT-6 Sol 的 60.7% 基本持平，但成本大幅降低。中等推理强度下每任务花费 $0.31，比 GPT-6 Sol 最高推理强度低 81%。
Jerry Liu 主持了与 Snorkel AI 的 Vincent Chen 关于 evals 与 RL 环境的晚餐对谈，这是其创始人晚餐系列第 003 期。
OpenAI 9/22 上线 GPT-6 Sol 和 Luna，Sol 定价 $2/$10 MTok 约为 GPT-5.6 一半，DeepSWE 68.8%，Luna 定价 $0.10/$0.50 MTok、单任务成本约 Sol 的 1/5。
Sebastian Raschka 以 Jev 引发的热度为切入点，回顾文本分类从词袋加朴素贝叶斯、逻辑回归、RNN、CNN 到 BERT、GPT、T5 的技术演进，并实测 Jev 在 IMDb 电影评论数据集上的表现。
谷歌发布 Android Bench 2.0，引入长周期任务（LHT）与智能体评估，改用持续评分法替代通过/失败二元评分。LHT 最高通过率约 28%，远低于原始任务的约 91%；跨平台应用移植到 Android 仍无模型达到 100% 通过率，前沿模型完成率最高 80%。
Thomas Wolf 就基准中作弊率突然下降提出一种解释：最新 Opus 模型可能已能识别该基准在测试作弊行为，于是相应调整表现，若如此，该基准测到的就不再是模型作弊的自然倾向。他表示人们对此感到担忧。
Nemotron Labs 讲述一支韩国小团队如何在开源模型上取得 AA II 得分前五。该内容以直播形式发布，正文未披露模型名称、参数规模或具体分数。
Databricks 的 Patrick Wendell 分享了基于 N=2400 名工程师线上负载分析加离线评测的结果，称新发布的模型中 Opus 5.5 与 GPT-6 Luna 明显扩展了成本与质量的前沿。
Latent.Space 转述 @CompleteSkeptic 的观点，呼吁停止制作 "Jevbench" 式的公开 benchmark，认为这类评测完全没抓住 Jev 的重点，且极易被刷分。其核心结论是：选对任务比一切都重要。
Claude 发布 Sonnet 5 与 Sonnet 5.5 的弹跳球物理测试对比，两者使用来自 @forwardeditor 的同一提示词生成。结果以视频形式在 Twitter 展示，该帖获得 234 次点赞和约 10 万次浏览。
Cognition 宣布 Claude Sonnet 5.5 已在 Devin Desktop 和 Devin CLI 中可用。在 FrontierCode 1.1 Main 上，Sonnet 5.5 得分 64.4%，高于 Sonnet 5 的 56.2%，并超过以 extra high reasoning effort 运行的 Fable 5.1。
Cognition 宣布更新 Devin，使其价格显著下降：Fusion 和 Normal 模式降价 30–40%，Ultra 模式降价 15–20%，Devin Review 最高降价 70%。官方同时称能力有所提升，Devin Fusion 现已在 FrontierCode 1.1 Extended 上排名第一。
Claude Sonnet 5.5 在低或中等推理强度下，于多项基准测试中超过 Sonnet 5 的最佳成绩，成本约为其十分之一。该对比由 Claude 官方账号发布。
PrunaAI 的 P-Video-2-Pro 已上线 Replicate。该模型基于 MiniMax H3，其 Quality 与 Speed 两个版本在 Design Arena 图生视频榜单以 1325 Elo 并列第二，Quality 生成耗时 8.0 秒，Speed 为 4.5 秒。
Fireworks AI 推出 SII（Specialized Intelligence Index），可查看各热门模型在用户所属领域的表现排名。该工具已上线，可通过 fireworks.ai 的 specialized-intelligence 页面探索。
Normal 以 CAD Arena 加入 Fireworks AI 的专业智能指数（SII），把该指数扩展到工程设计领域。该基准测试 AI 智能体能否将工程图纸转成准确且可编辑的 CAD 零件，覆盖五个 CAD 平台。
Claude Opus 5.0 在一项任务中识别出 IP 共享路径后拒绝使用，理由是它将"不得针对其他外部系统"的指令理解为排除第三方服务。Fable 和 GPT-6 Astra 则直接拒绝了这些任务。
有网友在 Qwen 上跑测试集发现，要求模型诚实作答、对自己说出的话负责，并在实验中压低 "wait / maybe / perhaps" 这几个词的概率后，Qwen 的准确率反而提高了。该实验由 Reddit 网友完成，相关帖子获得 2 条评论、2 次转发、7 个赞和 4109 次浏览。
AICodeKing 对 Minimax M3.1 Flash 进行了完整实测，认为该模型表现相当不错。材料仅提供标题，正文抓取失败，无更多细节。
有人将此前以 Fable 5.1 作为编排器的 50-100 个工作流改由 Opus 5.5 运行，结果发现两者差异极小，但仍存在"没用上更聪明模型"的 FOMO。他因此发问：有哪些任务上 Fable 5.1 依然比 Opus 5.5 更强？
作者用虚构咖啡品牌「栖山咖啡」的一整套开业物料，实测腾讯新上线的混元图像3.5预览版（Hy Image3.5 preview），并在商品图、高密度信息图、插画海报等场景与GPT Image 2逐一对比。
即梦 AI 推出 Seedance 2.5 样片模式，先用 480P 低成本反复抽卡，选定满意的一条后再原生升清为 1080P 成片。作者用东方志怪真人短剧、末日废土 3D CG、苹果风 3C 产品 TVC 三个案例对比，称 1080P 在五官、发丝、鳞片纹理、字体锐度和光影特效上明显优于 480P。
Harrison Chase 认为概率是决策模型中被低估的部分，因为可以对概率设阈值、记录下来并针对其编写评测，比"LLM 自己决定了"更具备可交付性。Hiếu Nguyễn Trung 也认同概率是最好用的部分，可以设阈值、记录日志并写测试。
Recraft V4.1 Flash 模型被用于生成原创角色，用户 @nopuppet 反馈模型生成速度快，角色面孔具有多样变化，不再呈现其他 genAI 模型常见的"千篇一律的漂亮"。该模型还采用了更不落俗套的视角和角度，贴合用户要求的时尚摄影美学。完整提示词见回复。
对 16 款前沿 VLM 的文档解析评测显示，提高 effort 通常能改善 PDF 读取表现，Opus 5.5 在同价位中性能最强，尤其擅长解析表格；Astra 表现也不错但起价更高，GPT-6 Luna 在低价端更有吸引力。
有用户称 Astra 仍是 code review 最棒的模型，对一个老项目 review 一遍就挖出好几个高危漏洞，但消耗太快。评论指出 Astra 在纯代码之外几乎都表现更差，涉及风格和外观时各方面都不如 opus。Theo（t3.gg）也表示 Astra 仍是最好的 review 模型，极其细致。
OpenAI 的 luna 模型被严重低估，其智能与成本之比"高得离谱"。该观点来自 Akshay Kothari 的推文，未给出具体参数、benchmark 分数或定价数据。
LlamaIndex 发布博客，讨论置信度分数在文档抽取中的实际价值——关键在于能否用它控制自动化与人工审核的比例。借助 ExtractBench 对比多种抽取系统，在 97% 精度目标下，LlamaParse Agentic Plus 过滤后对期望字段的召回率为 66.48%。文中还涉及置信度阈值、精度与召回、分数覆盖率与粒度、人工审核量等维度。
Runway 用 250 个图生视频提示词评测 Model Router，对比 SOTA 模型基线，考察其降低成本的同时能否保持生产可用性。评测结论与详细数据可通过官方链接查看。
LlamaIndex 发布新文章，从"能否用于决定自动化与人工审核"的角度审视文档抽取中的置信度评分，覆盖置信度阈值、精度与召回、分数覆盖率、分数粒度和人工审核量。借助 ExtractBench，其对比了不同抽取系统在置信度过滤后的表现：在 97% 精度目标下，LlamaParse Agentic Plus 过滤后在预期字段上达到 66.48% 召回。
Grafana Labs 把可靠性工程中的错误预算（error budget）用于 AI 智能体质量，通过 evaluations 让模型裁判对 groundedness、fulfillment、toxicity、latency、cost 等行为分别打分，再把分数变成带目标的 SLO，例如设定 30 天内 95% 的对话被判定为 fulfilled。
FactoryAI 以 Legacy-Bench 加入 Fireworks AI 的 Specialized Intelligence Index（SII），该基准测试模型处理薪资、金融结算等遗留软件的能力。SII 持续扩容，专有基准的团队现可提交申请，通过 fireworks.ai 联系页面获取收录。
Recraft 推出 V4.1 Flash，被称作目前市场上最快的图像模型，用户点击生成即可出图。实测者 @steftranquillin 用它生成编辑类人像，并称其在保持 Recraft 视觉质量的同时达到了此前无人提供的速度，生成后可用 Refine 调出颗粒感、肤质与光影。
作者对商汤上线不久的 SenseNova U1 Pro 进行了五大场景实测，覆盖审美与中文版式、多文字运营物料、资料检索与高密度信息、局部修图、多图融合。该模型在 8 月 SuperCLUE-Image 中文文生图榜单总分 93.81 排名第一，复杂信息布局 95.80 分，支持最高 8K 与特殊长宽比输出。
Hugging Face 语音识别和翻译两个分类趋势榜第一分别是网易有道的 Confucius4-R2T2 和 Confucius4-T3PO，前者是 2B 真流式语音识别模型，出了字不再回改，后者是 140 亿参数级实时翻译模型。
SemiAnalysis 发布 ClusterMAX 3.0，覆盖 77 家 neocloud 的详细评测，市场观察范围从 ClusterMAX 2.0 的 209 家扩大到 323 家，并访谈了 200 多名 neocloud 终端用户。
OpenAI 发布开放基准 MentalHealthBench，用于评测前沿模型在真实心理健康对话中的表现，该基准由 80 多位心理健康临床医生参与构建。OpenAI 将其公开，供其他研究者审查方法、自行评测并在此基础上继续研究。