anatomy 视频生成 Skill 评测：一句话生成科普视频，TTS 用豆包
anatomy 视频生成 Skill 的评测显示，它能从一句话提示快速生成高质量科普视频，TTS 环节由字节豆包处理，整体效果适合用于视频起号。作者认为该工具性能出色，适合内容创作。
#评测/基准
RadarAIAI 评分2727 RadarAIAI 评分5050 Google TPU v7 基准测试性价比超越 NVIDIA GB300 NVL72
Google TPU v7 运行 FP8 vLLM 的每美元性能比 NVIDIA GB300 NVL72 运行 FP4 高出 1.67 倍。该基准测试结果由 Google 提交，显示 TPU v7 在性价比维度上领先 NVIDIA 当前旗舰级机架方案。
RadarAIAI 评分6666 LangChain 团队以 Q&A 形式分享 Agent Evals 常见问题实践指南
LangChain 团队 Divya Santhanam 以 Q&A 形式发布 Agent Evals 实践指南，给出从真实 trace 起步、建 10–20 条小数据集跑基线、失败案例回流迭代的工程流程。
RadarAIAI 评分5858 Kombai 发布 Design Creativity Bench：GPT-6 Astra 居首，模型 UI 设计创造力仍低于人类
Kombai 发布 Design Creativity Bench，用 80 个开放式 UI 任务、每个任务适配两个产品领域（共 160 份设计简报）评估模型 UI 设计创造力，34 个模型中最佳模型 GPT-6 Astra 得 65.5，人类设计师参考为 92.3。
RadarAIAI 评分6666 Musk 称 Grok Voice 3.0 登顶 Artificial Analysis 语音模型评测
Artificial Analysis 评测显示，SpaceXAI 的 Grok Voice 3.0 以 86.9 分登顶 Speech to Speech Index。
RadarAIAI 评分6060 Artificial Analysis 发布 AA-Robotics v0.1 基准，GPT-6 Astra 居首
Artificial Analysis 发布 AA-Robotics v0.1 研究预览，测试前沿语言模型控制 6 轴机械臂（5 个关节加一个夹爪）在物理世界理解、规划和执行的能力，并公布首批八个任务结果。
RadarAIAI 评分6060 Artificial Analysis 发布 AA-Robotics v0.1 基准，GPT-6 Astra 居机械臂任务榜首
Artificial Analysis 发布研究预览版基准 AA-Robotics v0.1，让前沿大语言模型在编码 Agent 环境中直接操控 6 轴机械臂完成 8 项桌面任务。
RadarAIAI 评分6060 Meta 的 Muse Wonder (Max) 以 +6.4% 净提升进入 Agent Arena 第12名
Arena 发布基于超过 5000 次真实智能体会话的评测结果，Meta 的 Muse Wonder (Max) 以 +6.4% 的净提升进入 Agent Arena 第 12 名，比位列第 16、提升 +3.6% 的 Muse Spark 1.3 (Max) 高 2.8 个百分点并领先四个名次。
Hacker NewsAI 评分3838 为什么 LLM 生成的鹈鹕长这样？
一项新基准 Design Creativity Bench 用 80 个开放式 UI 设计任务评测 16 个前沿模型的创意能力，从原创性、创意跨度和适配性三个维度打分。表现最好的 OpenAI GPT-6 Astra 得 65.5 分，人类设计师参考分为 92.3，差距明显。该基准的排行榜、方法论与可复现评测框架已公开。
RadarAIAI 评分7171 SpaceXAI 发布 Grok Voice 3.0，以 86.9 分登顶 Artificial Analysis 语音指数
SpaceXAI 发布 Grok Voice 3.0，在 Artificial Analysis 的 Speech-to-Speech Index 以 86.9 分居首，超过 OpenAI 与 Google，GPT-Live-1（Astra, Medium）为 83.2。
RadarAIAI 评分6262 Grok Voice 3.0 在语音到语音指数中以 86.9 分排名第一
Artificial Analysis 的分析显示，SpaceXAI 的 Grok Voice 3.0 以 86.9 的分数在语音到语音指数中排名第一，明显优于其前代产品和现有竞争对手，同时保持了有竞争力的低延迟。该分析还对比了 Grok Voice 3.0 与 GPT-Live-1 和 Gemini 3.8 Live，并考察了其在语音推理、代理性能和偏好评级中的表现。
RadarAIAI 评分6666 Artificial Analysis 评测：Grok Voice 3.0 以 86.9 分登顶语音到语音模型榜
Artificial Analysis 的 Speech to Speech Index 显示，SpaceXAI 的 Grok Voice 3.0 以 86.9 分首秀登顶。
RadarAIAI 评分7171 xAI 发布 Grok Voice 3.0，以 86.9 分登顶 Artificial Analysis 语音对语音指数
xAI 发布 Grok Voice 3.0，以 86.9 分登顶 Artificial Analysis 的 Speech-to-Speech Index，超过 OpenAI 和 Google，GPT-Live-1（Astra, Medium）为 83.2。
RadarAIAI 评分1515 Cohere Rerank 玩马里奥：Rerank 5 能否超越 Rerank 4 的得分
Cohere 展示 Rerank 除了企业级应用场景外还能玩马里奥。Cohere 表示将观察 Rerank 5 能否超越 Rerank 4 的得分。
RadarAIAI 评分6262 xAI 发布 Grok Voice 3.0，称在多项基准与 Artificial Analysis 语音到语音指数上达到 SOTA
xAI 公布 Grok Voice 3.0，称其在多项基准和 Artificial Analysis Speech-to-Speech Index 上成为 SOTA 语音到语音模型，延迟降低 40%。引用内容称该模型擅长处理客服来电，响应不到一秒，成本低于其他前沿模型。对比图中 Grok Voice 3.0 的 Agent 成功率为 71.6%，高于 Grok Voice 2.0 的 56.5%。
GitHubAI 评分3636 Sierra Research 发布 τ³-bench：新增语音全双工与知识检索评测
Sierra Research 的 τ³-bench 新增 banking_knowledge 知识检索域和基于 OpenAI、Gemini、xAI 实时 API 的语音全双工评测，并修复 75+ 任务质量问题。v1.0.1 修正了 banking_knowledge 的任务错误并重新评分，其他域不受影响；安装改用 uv，要求 Python >=3.12。
RadarAIAI 评分4242 Sentient 发布模型指纹基准排行榜 Fingerprinting Leaderboard
Sentient Foundation 发布开源基准 Fingerprinting Leaderboard，用于评测模型指纹方法，以证明 AI 模型是否被抄袭，配套测试代码 mlprints 同步开源。
RadarAIAI 评分4040 Claude Haiku 5.5 (High) 登陆 Agent Arena，排名第 27、单任务成本 $0.09
Anthropic 的 Claude Haiku 5.5 (High) 上线 Agent Arena，基于超 20.5K 真实智能体会话，净提升 +1.48%，总排名第 27。其最强类别为 Code，排名第 15、净提升 +4.83%，单任务中位成本 $0.09，比第 26 名 GPT-5.4 (High) 的 $0.63/task 便宜 86%。
RadarAIAI 评分5858 Claude Haiku 5.5 (High) 登陆 Agent Arena，综合排名 #27、每任务中位成本 $0.09
Arena 宣布 Claude Haiku 5.5 (High) 上线 Agent Arena，基于超 20.5K 次真实智能体会话，净提升 +1.48%，综合排名 #27，Code 类排名 #15（+4.83%）。
The DecoderAI 评分4444 通用模型护栏挡住防御方，Artemis Security 推出 Orion-1 专攻网络攻击调查
美国初创公司 Artemis Security 发布 Orion-1，一款可自主调查并响应企业网络攻击的安全专用模型，在其自建基准上超过 Claude Opus 5.5 和 GPT-6 Sol。
AWS Machine Learning BlogAI 评分2222 用 Amazon SageMaker JumpStart 部署并评测模型
Amazon SageMaker JumpStart 提供了一套可复用流程：从模型目录部署模型、用 SageMaker Python SDK 跑轻量性能测试，测完删除端点。
RadarAIAI 评分3838 2026 年 9 大 AI 网关排名：Bifrost、Portkey、LiteLLM、Kong 等
MarkTechPost 发布 2026 年 9 大 AI 网关排名，Bifrost 以 Go 二进制、Apache 2.0 许可和 5,000 RPS 下 11 µs 开销居首，Portkey 以 MIT 许可、1,600+ 模型和内置护栏列第二，LiteLLM 凭 53.8K GitHub stars 和 100+ 提供商成为采用最广的开源网关。
RadarAIAI 评分3939 ServiceNow 与 McGill 发布 AgentHorizon 基准：LLM 判官难察长程计算机使用任务的细微失误
ServiceNow 与 McGill 推出 AgentHorizon 基准，包含来自人工屏幕录制的 1,373 个判官任务，通过交换近同任务的指令构造干净的失败样本。
RadarAIAI 评分4848 Artificial Analysis 将 DeepSeek V4.1 Flash 纳入 AA-AgentPerf，GB300 吞吐领先
Artificial Analysis 将 DeepSeek V4.1 Flash 加入智能体推理性能基准 AA-AgentPerf，榜单现覆盖四款模型。
RadarAIAI 评分7474 Google 全球发布 Gemini 4 Argon，Cursor 与 GitHub Copilot 同步接入
Google 面向付费 Gemini API 与 Gemini 平台、Pro 和 Ultra 订阅用户的 Gemini 应用与搜索、以及 Ultra 订阅用户的 Antigravity 全球发布 Gemini 4 Argon，该模型在 Arena Overall 榜单排名第 5。
量子位精选AI 评分7878 面壁开源 MiniCPM-V 4.7：35B-A3B 手机断网可跑，仅占 3G 内存
面壁智能与 OpenBMB 开源 MiniCPM-V 4.7，包含 35B-A3B 和 1B 两个版本，其中 35B-A3B 是 MiniCPM-V 系列首个 MoE 模型，约 3G 内存即可在 iOS、安卓设备上运行。
推荐理由：面壁开源 MiniCPM-V 4.7，给出 35B-A3B 在手机端 3G 内存运行的具体实测与压缩数据，可据此判断端侧多模态的落地边界。
Latent SpaceAI 评分6262 AINews：Gemini 4 Argon 正式发布，Vals AI 谈基准评测
Google 的 Gemini 4 Argon 今日正式 GA，覆盖编码、知识工作、企业工作流与网络防御，接入付费 Gemini API 与 Gemini 平台、Gemini 应用中的 Google AI Pro 和 Ultra、Search 的 AI Mode 以及 Antigravity 的 Ultra。
GitHubAI 评分6060 阿里开源 skill-up：评测 Agent Skills、智能体与工作区的 CLI
阿里在 GitHub 开源 skill-up，一个用于评测 Agent Skills、智能体及其工作区的 CLI，通过声明式用例对 Agent Engine 运行、评分并生成报告。
Hacker NewsAI 评分3838 Parsimony：衡量 AI 模型多写多少代码的开源基准
Parsimony 是一个开源基准，用净代码单元数（新增减删除）衡量 AI 模型在解题时多写了多少代码，而非只看解题率与成本。它基于 SWE-bench Verified 已发布的补丁统计语句、调用、比较等语法元素，不数行数、不重跑测试，仅测 Python，模型按平均净新增单元从低到高排名。
RadarAIAI 评分6262 Artificial Analysis：Sonnet 5.5 登顶 Coding Agent Index，xhigh 档以 77% 更低成本换取 5.5 分差距
Artificial Analysis 发布 Coding Agent Index 评测，Anthropic 的 Sonnet 5.5 在 Claude Code 中 max 档以 68 分登顶，xhigh 档为 63 分。
RadarAIAI 评分2222 本地大模型榜单解读：NVIDIA RTX 4090 的性价比之选
NVIDIA 本地大模型基准测试显示，RTX 4090 在 4-bit 量化下可达每秒约 47.4 token，成为应对专业级 RTX 6000 高昂成本的高性价比替代方案。该推文基于一张 NVIDIA 本地大模型性能图，指出其每秒 45-50 token 的表现。
RadarAIAI 评分6262 实测Gemini 4 Argon：知识工作强劲但体验糟糕，卡兹克称难撼Claude Opus 5.5与GPT-6 Astra
Gemini 4 Argon于10月13日全面开放，Pro会员可在Gemini APP使用，Antigravity需100美元Ultra会员。作者实测认为其知识类专业能力强，Vals Index综合第一（68.9）且单次成本仅15.68美元，但CUA-bench仅4.83%排倒数第二。前端效果不及GPT-6 Astra，额度消耗快，中文写作味道重，整体体验糟糕，不建议订阅Ultra。
RadarAIAI 评分1818 Gemini 4 Argon SVG 鹈鹕骑自行车——经典图像生成测试
Gemini 4 Argon 通过文本提示生成了一幅 SVG 图像：一只鹈鹕坐在自行车上，周围环绕几何形状与符号，展现模型对非现实主义、抽象风格的理解与表现能力。该图融合生物与机械元素，被视为图像 AI 处理混合超现实主义与符号学场景的经典测试。
RadarAIAI 评分6262 实测评测：Gemini 4 Argon 让 Google 重回第一梯队，但 Antigravity 仍落后半年到一年
indigo 实测 Gemini 4 Argon 的写作与知识组合能力后认为，它让 Google 的模型重新追上第一梯队但未超越对手，而应用 Antigravity（Harness）落后对手半年到一年，拖累了模型表现。
RadarAIAI 评分6666 Meta Muse Wonder (Max) 进入 Arena 榜单：WebDev 第15、文本第2
Arena 宣布 Meta 的 Muse Wonder (Max) 进入 Code Arena: WebDev 榜单第15名（1651分），Text Arena 以 1513 分位列第2。
RadarAI同新闻AI 评分7878 Google 向付费用户开放 Gemini 4 Argon，Vals AI 专业工作指数得分 68.90% 登顶
Google 将 Gemini 4 Argon 开放给付费客户，该模型在 Vals AI 按 GDP 加权的专业工作指数中以 68.90% 领先 Claude Sonnet 5.5 的 67.04% 和 Claude Opus 5.5 的 66.97%。
同一新闻，精选展示《Google DeepMind 发布 Gemini 4 Argon》
RadarAIAI 评分6262 Artificial Analysis 上线各供应商缓存命中率与 Cost per Task，GLM-5.3 (max) 成本相差约 9 倍
Artificial Analysis 在其平台上线各模型端点的缓存命中率和按供应商划分的 Cost per Task 数据。
RadarAIAI 评分6262 Gemini 4 Argon 上线 Cursor，CursorBench 得分 52.8% 与 Opus 5.5 相当
Gemini 4 Argon 现已在 Cursor 上线，默认 effort 下在 CursorBench 得分 52.8%，与 Opus 5.5 相当。定价为每百万输入 token $2、每百万输出 token $10。
Databricks BlogAI 评分2222 Databricks 首次入选 Gartner 分析与商业智能平台魔力象限，获评"远见者"
Databricks 首次进入 Gartner 分析与商业智能平台魔力象限，即获"远见者"定位，并取得所有受评厂商中最高"愿景完整性"评分之一，创下该报告 20 多年历史上厂商首次入选的最佳表现。
RadarAIAI 评分3838 Gemini 4 Argon 游戏开发能力展示：一次提示生成 3D 资产与游戏机制
Gemini 4 Argon 可从零创建 3D 资产并构建游戏机制，全部一次完成。开发者 Ammaar Reshi 用提示词做出多款游戏合集，包括用手机当网球拍的 Argon Tennis，并公开代码供他人游玩或改编。