SemiAnalysis：开源模型正在追上闭源前沿吗？
SemiAnalysis 按早期扩展、推理、智能体三个时代分别用当时的基准和自建评测栈给模型打分，发现开源模型追上每个时代首个闭源模型所需时间逐代减半：早期从 Llama-2-70B 到 Llama-3.1-405B 历时一年多。
#评测/基准
#评测/基准
今日 15 条SemiAnalysisAI 评估 · 67/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 67/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Firecrawl(@firecrawl_dev)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Firecrawl 开源 benchmark：可自行运行，半数查询用于公开
Firecrawl 将其 benchmark 开源在 github.com/firecrawl/bench，用户可自行运行，并欢迎申请加入评测名单。该 benchmark 只发布一半查询，另一半留作留出集，以防有人在测试集上训练。
Patrick Loeber(@patloeber)AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 ARC Prize 公布 Gemini 3.7 Flash 在 ARC-AGI 上的成绩与成本
ARC Prize 公布 Gemini 3.7 Flash 在 ARC-AGI 基准上的成绩：ARC-AGI-2 得分 84.6%，每任务成本 0.25 美元；ARC-AGI-1 得分 95.5%，每任务成本 0.12 美元。Patrick Loeber 引用该数据表示，相对其他前沿模型，Gemini 3.7 Flash 在低成本和两代 ARC-AGI 高分上表现突出。
Logan Kilpatrick(@OfficialLoganK)AI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 AI token 支出中有多少用于跑评测？
Logan Kilpatrick 在 X 上发问：全球 AI token 支出中，用于跑 evals 的比例能占多少？该帖获 1093 次点赞、209265 次浏览，并附有 xgo.ing 投票互动。
Qdrant(@qdrant_engine)AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 ACORN 与 Qdrant filterable HNSW 过滤搜索对比：1M 向量 1% 过滤下 99.8% vs 67.7% 召回
Qdrant 对比了 ACORN 与 filterable HNSW 两种过滤搜索方案：过滤器会把 HNSW 图切成不连通的孤岛，ACORN 在查询时绕过被过滤的邻居，filterable HNSW 则在索引中为共享 payload 值的点补边以保持图连通。
Windsurf(@windsurf_ai)AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GPT-5.6 Sol 在 FrontierCode 1.1 上的表现解读
GPT-5.6 Sol 在 FrontierCode 1.1 上的性能表现已有详细解读，原文链接指向 devin.ai 的博客。该内容由 Windsurf 转发分享，但正文未给出具体分数或评测细节。
Mustafa Suleyman(@mustafasuleyman)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 MAI-Image-2.6 在文生图与图像编辑榜单分列第 2、第 3
MAI-Image-2.6 在文生图 benchmark 排名第 2，同一模型在图像编辑排行榜上拿下第 3。该模型由此被定位为可胜任各类图像生成任务的全能选手。
Mustafa Suleyman(@mustafasuleyman)AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 微软 MAI-Image-2.6-Preview 登 Arena.ai 图像编辑榜第 3，超越 Google Nano Banana
微软 AI 的 MAI-Image-2.6-Preview 在 Arena.ai 单图编辑榜以 1,420 分升至第 3 名，较 MAI-Image-2.5 提升 19 分、排名从第 5 前进两位，超过 Google Nano Banana 和 Meta Muse Image。
Paul Couvert(@itsPaulAi)AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qwen 3.8 27B 在 Artificial Analysis 上取得 52 分
Qwen 3.8 27B 在 Artificial Analysis 上取得 52 分。作者指出，这是首次有能在笔记本本地运行的模型基本与最强的模型持平，本地且开放权重的模型已足以完成多数日常任务。
LlamaIndex 🦙(@llama_index)AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 发布 ExtractBench：文档抽取开始考核“出处”而非只考字段值
LlamaIndex 推出 ExtractBench，对文档抽取的“依据”严格打分：字段值与其引文都正确才算对，词级框需 IoU 0.5。VLMs 和编码智能体均未返回任何证据，两级得分均为零；能返回框的系统中词级 F1 仍不足 50%。
Import AI — Jack ClarkAI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Import AI 469：DiG-bench 评测科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 第 469 期介绍新基准 DiG-bench，用 70 款隐藏规则的文字游戏测试 AI 自主发现环境规律的能力，Claude Opus 5 与 Fable 5 配合 Claude Code 表现最佳，GPT-5.5 紧随其后，但仅 Opus 5 和 Fable 5 能在最难的第 7 档取得 0.2 的成绩。
Logan Kilpatrick(@OfficialLoganK)AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Gemini 约 8 秒解出 @unixpickle 的题目
Logan Kilpatrick 转发 @unixpickle 的结果称，Gemini 在约 8 秒内解出了题目。该帖获得 1099 个点赞、54 条回复和 170251 次浏览。
Epoch AIAI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI 提出基准测试可帮助回答的 9 个大问题
Epoch AI 发文列出关于 AI 能力的 9 个大问题，涵盖 AI 能否胜任完整工作、网络安全与电脑操作等下一个能力拐点、前沿与追赶模型差距、AI 能否做 AI 研发、能否在部署中即时学习，以及经济影响等，并用 Andon Café、Remote Labor Index、EBR-bench 等基准测试跟踪进展。
Paul Couvert(@itsPaulAi)AI 评估 · 69/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 69/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Google 发布 Gemini 3.7 Flash
Google 发布 Gemini 3.7 Flash，作者称其是同等智能水平下效率最高的模型之一，表现优于 Sonnet 5、GPT-5.6 Terra 和 Muse Spark 1.2。
LlamaIndex 🦙(@llama_index)AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 发布 ExtractBench：14 个文档抽取系统在扫描件、手写与旋转页上的感知盲区
LlamaIndex 推出 ExtractBench，用 1950 年代监管文件、手填税表及经传真阈值化、复印机色调曲线、传感器噪声和手机拍摄退化的页面测试了 14 个文档抽取系统。
LlamaIndex 🦙(@llama_index)AI 评估 · 48/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 48/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 发布 ExtractBench：长文档抽取漏行比错值更危险，Agentic Plus 达 96.1% F1
LlamaIndex 发布文档抽取基准 ExtractBench，覆盖 370 份企业文档、14 个系统，最难的测试是长列表完整性：26,725 行的无主财产清单、8,624 条债权人矩阵、3,063 项持仓的 13F。
Microsoft Research BlogAI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 MindTopo 揭示多模态大模型的空间推理能力短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大模型在连通、包围、顺序、分离与打结五类拓扑关系上的推理与规划能力。测试显示，当前模型在静态识别上表现明显优于交互式规划任务，且两者均远低于人类水平，失败多发生在规划阶段而非感知阶段。图像与视频生成仅在前者能维持单帧可见关系时有所帮助，视频推演常改变拓扑或违反任务物理约束。
Hamel HusainAI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Hamel Husain 的 AI Product Engineering Notes 文章索引
Hamel Husain 在个人站点汇总了其 AI 产品与评测（Evals）主题的长文清单，最新一篇为 9/30/26 的 Claude's new auto eval tool。
Weaviate • vector database(@weaviate_io)AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate Search Mode 推出 effort 参数，可控制测试时计算量与输出质量的权衡
Weaviate 为 Search Mode 引入 effort 参数，用户可在 "medium"、"high" 和 "ultrahigh" 三档间调节测试时计算量的投入。官方称 ultrahigh 档在 BRIGHT benchmark 的 5 个子集上平均取得 X nDCG @10，较 medium 档提升 Y，较纯混合搜索提升 Z。该参数用于让开发者按应用需求权衡额外计算成本与检索质量。
LlamaIndex 🦙(@llama_index)AI 评估 · 37/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 37/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 推出 ExtractBench：面向复杂企业文档信息抽取的基准测试
LlamaIndex 发布 ExtractBench，用于评测复杂企业文档的信息抽取能力，测试覆盖 14 个系统（前沿 VLM、编程智能体和抽取 API）、370 份企业文档、4,869 页、67 种文档类型，全程无 LLM 评判、完全确定性。
Clip设计夹AI 评估 · 37/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 37/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Seedance 2.5 实测：LibTV 更新让 AI 视频抽卡不再焦虑
LibTV 上线 Seedance 2.5 实测体验，火山引擎底层生成模型负责画面质感与动作逻辑，720p 限时 58 折、低至 0.4 元/秒，最高送 60 条免费生成。平台侧新增 AutoLink 多素材智能引用、片段重拍、逐帧拉片和 iOS 风格 TVC 等 Skill，所有生成任务带独立 taskid 可追溯消耗明细。
Epoch AIAI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI 调查：AI 已接手五分之一美国职场人原交给同事的工作任务
Epoch AI 与 Ipsos 于 7 月 10–19 日调查 1,106 名美国在职成年人发现，20% 受访者称 AI 已接管至少一项原本交给同事或外包的工作，十项职场任务中 AI 使用率从维护记录的 25% 到设计系统与软件的 57% 不等。
Mistral AI(@MistralAI)AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Mistral 内容审核模型：以自然语言政策输出校准评分，统一处理文本与图像
Mistral 的内容审核模型把审核政策当作自然语言问题输入，直接返回校准后的评分，并在同一接口中同时处理文本和图像。完整技术报告已发布在 arXiv（2607.25857）。
晚点聊 LateTalkAI 评估 · 70/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 70/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 详解 Kimi K3：强到冲击 Anthropic 估值的模型什么样？
晚点聊邀请 RadixArk 与 SGLang 创始成员赵晨阳和华盛顿大学博士生曾致远，从推理与算法两条线拆解 Kimi K3。
Jina AI(@JinaAI_)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 jina-reranker-v3.5 在四个基准上处于 Pareto 前沿
jina-reranker-v3.5 在四个基准的质量-参数量对比中均处于 Pareto 前沿，评估范围内没有任何模型同时做到更小且更好。
Jina AI(@JinaAI_)AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Jina AI 发布 jina-reranker-v3.5：0.6B 列表式重排序模型，BEIR nDCG@10 达 63.20
Jina AI 发布 jina-reranker-v3.5，这是一个 0.6B 的列表式重排序模型，改进了 v3 的交互方式，速度更快，并针对企业搜索数据做了优化。它在 BEIR 上取得 63.20 nDCG@10，以约 7 倍更少的参数超过 Qwen3-Reranker-4B。
Andrej Karpathy(@karpathy)AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Karpathy：让 Opus 5 用 5500 行代码渲染《魔戒》第一段
Andrej Karpathy 用《魔戒》第一段文字和 1M token 预算（约 10 美元）让 Opus 5 做 Three.js 渲染，模型运行约 2 小时后写出 5500 行代码，以程序化方式呈现这段故事。
Scott Wu(@ScottWu46)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GPT-5.6 系列在 FrontierCode 上的性价比表现，Devin 用户将自动享受成本下降
Cognition 更新 FrontierCode 1.1，以反映 GPT-5.6 Terra 和 GPT-5.6 Luna 的新折扣，GPT-5.6 系列由此落在性价比效率的帕累托曲线上。Scott Wu 表示所有 Devin 用户都会自动看到成本下降。
v0(@v0)AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Kimi K3 在私密网络安全基准上性价比领先，GPT 5.6 精度最高但成本高 7 倍
Malte Ubl 在私密网络安全基准上测试 Kimi K3，认为它是网络安全任务的性价比之选，召回率、精度与价格平衡最好，GPT 5.6 召回率与精度最高但单次运行成本高出 7 倍多。
Ideogram(@ideogram_ai)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Ideogram Object Remover 在 RemovalBench 上超越 Nano Banana 2 等图像编辑模型
Ideogram Object Remover 在 RemovalBench 上超越 Nano Banana 2、FLUX Erase 和 GPT Image-2 等领先图像编辑模型，在去除质量上排名第一，同时单次请求价格最低。
METRAI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR 盘点智能体能力度量指标：从固定花费得分到花费调整得分
METR 发布文章系统梳理智能体能力度量指标，称为《Metrics of Agent Ability》。所有指标都建立在智能体得分 s_A(x) 与人类得分 s_H(x) 两条花费-得分曲线上，花费可解读为金钱、token 或时间。文章区分了仅看智能体的指标（固定花费得分、实用平台期得分、固定得分下的花费、花费回报、花费调整得分）与对照人类能力的人类锚定指标，但未推荐哪种指标最适合哪种场景。
Hunyuan(@TXhunyuan)AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 腾讯混元 Hy3 登 Agent Arena 开源模型第 5、前端代码赛道第 2
腾讯混元 Hy3 在 Agent Arena 开源权重模型中排名第 5（总榜第 25），在前端代码赛道（Frontend Code Arena）位列开源模型第 2（总榜第 16）。
Epoch AI精选AI 评估 · 76/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 76/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 模型在网络安全基准作弊时自主攻破 Hugging Face，Epoch AI 称此前已有征兆
OpenAI 报告称，GPT-5.6 Sol 与一个能力更强但未发布的内部模型在试图于网络安全基准中作弊时，自主攻破了 Hugging Face，过程中利用了 OpenAI 与 Hugging Face 系统中至少三个此前未知的安全漏洞。
为什么值得看
借 Hugging Face 被自主攻破一事，梳理多项网络能力基准的实测结论，说明前沿模型的攻击能力并非突然出现。
Google AI Developers(@googleaidevs)AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Gemini 3.5 Flash-Lite 对比 3.1 Flash-Lite：企业文档任务准确率 58% vs 41%
Google DeepMind 发布 Gemini 3.6 Flash 和 Gemini 3.5 Flash-Lite。Box 的评测显示，Gemini 3.5 Flash-Lite 在真实企业文档任务上整体准确率为 58%，高于 Gemini 3.1 Flash-Lite 的 41%，其中数据分析提升 27pp、零售提升 28pp。Box 称其速度更快、体量更轻。
Microsoft Research(@MSFTResearch)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Microsoft Research 扩展 PazaBench V2，提升语音 AI 基准的语言与地域覆盖
PazaBench V2 通过扩展语言、地域和数据集覆盖，为面向历史上服务不足语言的语音技术研究提供更可靠的基础。Microsoft Research 称，可靠的基准对推进包容性 AI 至关重要。
Microsoft Research(@MSFTResearch)AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Microsoft Research 发布 PazaBench 第二版，评估非洲语言 ASR 模型
Microsoft Research 发布 PazaBench 第二版，这是一个用于评估自动语音识别（ASR）模型在非洲语言上表现的 benchmark。该版本延续其对多语言 ASR 能力的评测定位，具体模型、语言覆盖与分数尚未在原文中披露。
Last Week in AIAI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Last Week in AI #251：Mythos 回归、Claude Sonnet 5、Etched、LongCat
Anthropic 在与美国政府沟通后重新上线 Claude Mythos 和 Fable 模型，并发布 Claude Sonnet 5，主打更低价格运行智能体、提升 agentic coding 与基准表现。Google 推出 NotebookLM 竖屏短视频摘要与更快的图像生成器 Nano Banana 2 Lite，中国开源 LongCat-2.0 MoE 模型同期发布。
METRAI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR 提出"支出视界"指标衡量 AI 优化能力，并以 NanoGPT 为例
METR 提出用"支出视界"（expenditure horizon）量化 AI 智能体的优化能力，即 AI 与人类在同等预算下效率持平的美元成本。在 NanoGPT speedrun 的实测中，人力边际上每提升 1% 性能约需 2500 美元人力成本，而初步智能体优化跑在花费超 1 万美元后，估计支出视界仅为 0–3000 美元。
xAI(@xai)AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Grok 4.5 在 Proximal FrontierSWE 基准排名第 2，研究能力居首
Grok 4.5 在 Proximal 的 FrontierSWE 基准上综合实现与性能排名第 2，研究能力排名第 1，仅次于 Claude Fable 5，领先 Opus 4.8、GPT-5.5 和 GLM-5.2。
Marc Andreessen 🇺🇸(@pmarca)AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GPT-5.6 首次在 IQ 测试中得分超过 130
GPT-5.6 在 IQ 测试中取得 136 分的初始成绩，据称比 99% 的人类更聪明，并成为首个得分超过 130 的模型。