ARC Prize 公布 DeepSeek V4.1 Flash 的 ARC-AGI-1 与 ARC-AGI-2 成绩
ARC Prize 公布 DeepSeek V4.1 Flash 在 ARC-AGI (Verified) 上的成绩：ARC-AGI-2 为 72.9%、每任务 $0.13，ARC-AGI-1 为 94.5%、每任务 $0.07。相比 V4 Flash 的最佳成绩，ARC-AGI-1 提高 5.5 分、ARC-AGI-2 提高 11.5 分，但每任务成本约高出 250%。
#评测/基准
RadarAIAI 评分6666 RadarAIAI 评分3636 DeepSeek V4.1 Flash 的 ARC-AGI 评测成绩
ARC Prize 公布 DeepSeek V4.1 Flash 在 ARC-AGI（Verified）上的成绩：ARC-AGI-3 在 provider adapter harness 下得分 3.3%、成本 $878，standard harness 下得分 0.9%、成本 $1.2k。
RadarAIAI 评分6060 DeepSeek V4.1 Flash 登上 ARC Prize 排行榜
ARC Prize 公布 DeepSeek V4.1 Flash 在 ARC 基准上的完整结果，并给出排行榜、复现公开结果的 GitHub 仓库与测试政策链接。相关结果页面为 arcprize.org/results/deepseek-v4-1-flash。
RadarAIAI 评分3838 Artificial Analysis 推出政府版 AI 评测服务
Artificial Analysis 宣布推出面向公共部门的 Government 服务，提供基准测试、咨询与数据，帮助政府设计 AI 政策并选择 AI 技术。
RadarAI精选AI 评分8282 Gemini 4 Argon 正式 GA，智能指数追平 GPT-6 Astra，每任务成本仅为其 60%
Google 的 Gemini 4 Argon 正式 GA，在 Artificial Analysis Intelligence Index 上与 GPT-6 Astra 排名持平，每任务成本仅为后者的 60%。
推荐理由：对比 Gemini 4 Argon 与 GPT-6 Astra 的智能指数和每任务成本，可用于评估同等智能水平下的性价比选择。
RadarAIAI 评分6262 Gemini 4 Argon 登上 Arena 总榜第五
TestingCatalog 援引 Arena.ai 消息称，Gemini 4 Argon 登上 Arena 总榜第五名，榜单前四依次为 Opus 5.5、GPT 6.1 Sol、Fable 5.1 和 GPT 6 Astra。Arena.ai 表示 Gemini 4 Argon（High）在 Agent Arena 中进入前五，并向 Google DeepMind 团队表示祝贺。
RadarAIAI 评分7171 Fish Audio Drama 3 Preview 登顶 Artificial Analysis 开源语音合成榜单
Artificial Analysis 榜单显示，Fish Audio 的 Drama 3 Preview 成为排名第一的开源权重语音合成模型，发音鲁棒性得分 93.2%，超过 Eleven v4 的 91.7% 和 Eleven v4 Turbo 的 90.1%。
RadarAIAI 评分4646 卡内基梅隆与微软发布 CRBugBench：最佳代码审查 Agent 检出 71.9% 已知 bug
卡内基梅隆与微软论文提出 CRBugBench，包含 1,800 个代码审查任务，每个 PR 引入一个人工确认并修复的 bug。最佳模型 claude-opus-5 在前 5 条评论中检出 71.9% 的 bug，高于 5 个月前 opus-4.6 的 47.7%，但在某公司私有仓库上下降最多 25.5%。作者建议审查 Agent 与人类审查者配合使用，并为其提供仓库自有知识。
RadarAIAI 评分6262 LangChain 评测：GLM-5 与 MiniMax M2.7 在 Deep Agents 智能体任务上接近闭源前沿模型
LangChain 用 Deep Agents 测试框架评估开放权重模型，GLM-5 正确率 0.64（138 个用例通过 94 个），MiniMax M2.7 为 0.57（通过 85 个），与 Claude Opus 4.6 的 0.68、Gemini 3.1 Pro Preview 的 0.65、GPT-5.4 的 0.61 接近。
RadarAI精选AI 评分7878 Google DeepMind 的 Gemini 4 Argon 上线 OpenRouter
Google DeepMind 的 Gemini 4 Argon 已在 OpenRouter 上线，可通过 Google AI Studio 和 Google Cloud 调用。
推荐理由：原文给出 Gemini 4 Argon 的定价与三项基准成绩，读者可据此评估其在 OpenRouter 上的可用性与性价比。
RadarAIAI 评分5555 Artificial Analysis 发布 Decision Index v1.0，Jev 1.13 居决策模型之首但仍不及 Claude Haiku 5.5
Artificial Analysis 发布 Decision Index v1.0，从知识、推理、工具调用和分类四个基准评测决策模型的能力、成本和速度。
RadarAIAI 评分6060 Ethan Mollick 评测 Gemini 4：较前代大幅进步，但复杂多智能体工作仍有短板
Ethan Mollick 称在 Gemini 4 发布前花了较长时间试用，认为它比之前的 Gemini 模型有明显跃升，是首个通过 Fable/Mythos/Astra 门槛的非 OpenAI/Anthropic 模型。
量子位AI 评分3838 魔法原子 EchoPolicy-0 登顶 MolmoSpaces 具身智能榜单全球第一
魔法原子 VLM Agent 框架 EchoPolicy-0 在 AI2 发起的 MolmoSpaces Combined 榜单以 75.4% 平均成功率位列全球第一，覆盖全部 4 个 v1 任务。
Hacker NewsAI 评分3434 DishwasherBench：前沿模型能否装好一台洗碗机？
Composo 发布 DishwasherBench 0.1.0，用一台 Bosch SMV4HAX40G 的刚体物理仿真把装洗碗机做成语言模型基准，浏览器和 MCP 均可玩。
RadarAIAI 评分4747 Z.ai 发布法律模型 GLM-Legal，Harvey LAB 得分 19.17% 超越 Kimi K3 与 Claude Fable 5
Z.ai 发布法律领域模型 GLM-Legal，基于 GLM-5.3-Flash（320B 总参数、18B 激活、1M 上下文）构建，在 Harvey LAB 上取得 19.17% 全通过率，约为其基座模型 6.67% 的 3 倍，并超过 Kimi K3（12.92%）与 Claude Fable 5（11.25%）。
RadarAIAI 评分3434 DishwasherBench v0.1.0 开源：在真实洗碗机物理模拟中测试大模型装载能力
Composo 开源 DishwasherBench v0.1.0，基于一台 Bosch SMV4HAX40G 的物理模拟，让模型和人类在浏览器中通过 MCP 比拼洗碗机装载，按 Eco 50 洗后干净程度计分。
RadarAIAI 评分6262 MiMo-V2.6-Pro 以 45% 居 FrontierCode 1.1 开源权重模型首位
小米 MiMo 宣布 MiMo-V2.6-Pro 在 Artificial Analysis 上线的 FrontierCode 1.1 榜单上以 45% 领跑开源权重模型。
RadarAIAI 评分4141 DeepEval 发布 JevEval：用 Jev 替代生成式 LLM 当评估裁判
DeepEval 团队发布 JevEval，用 Jev 替代生成式 LLM 担任评估裁判，把 LLM 评估从"生成判定"改为"结构化决策"。它将评估逻辑、语义判断与分数计算三者分离：人定义显式可审查的评估逻辑，Jev 返回概率分布而非生成文本，DeepEval 用固定公式算出确定性分数，解决传统 LLM-as-a-judge 不可解释、同输入两次运行分数不稳定的问题。
RadarAIAI 评分2222 MiniCPM-V 4.7 35B-A3B 本地 VLM 效率与质量胜出
OpenBMB 的 MiniCPM-V 4.7 35B-A3B 在本地 VLM 测试中不仅比 Qwen 3.6 35B-A3 少用 10% token，还生成了更好的 3D 体素宝塔。效率与质量正成为多模态模型真正的战场。
RadarAIAI 评分3434 MiniCPM-V-4.7-35B-A3B 实测智能体工作流
OpenBMB 的 MiniCPM-V-4.7-35B-A3B 在真实智能体工作流测试中表现突出，在个人智能体基准中超越同级 35B MoE 模型，Lite Agent 测试（A1）取得完美结果，PA4 复杂智能体循环工作流（含大量上下文与工具调用）也表现强劲。该测试尚未计入其新增视觉等能力。
RadarAIAI 评分5858 Meta Muse 首日留存超 ChatGPT 32 个百分点，14 日落后 4.3 个百分点
Sensor Tower 数据显示，Meta 的 Muse 首日留存为 73.3%，比 ChatGPT 的 41.3% 高出 32 个百分点，但 14 日留存为 22%，比 ChatGPT 的 26.8% 低 4.3 个百分点。
RadarAIAI 评分6262 Artificial Analysis 发布 AA-3D 基准，评测模型构建交互式 3D 场景能力
Artificial Analysis 推出 AA-3D 基准，让 21 个模型作为智能体在离线沙箱中把书面简报转化为 three.js 网页，由超 1000 名评委盲评产出逾 10000 票的 Elo 排名。
RadarAIAI 评分2424 4 张英伟达 Tesla V100 集群 AI 推理跑赢 2 台 DGX Spark 与 M5 Ultra
YouTube 频道 Jun Yamog 将 4 张英伟达 Tesla V100 装在 NVLink 载板上，在 4-bit 量化 Qwen3.8-Flash-Next 基准中长提示处理速度较 2 台 DGX Spark 快 40%、较 M5 Ultra 快 230%。
RadarAIAI 评分5454 Stanford CS 329Z 第 6 讲 Agent Design Patterns and Scaffolds 讲义公开
Stanford CS 329Z（Engineering AI Agents，2026 秋季）第 6 讲「Agent Design Patterns and Scaffolds」讲义公开，链接为 https://web.stanford.edu/class/cs329z/slides/lecture06.pdf。
RadarAIAI 评分3030 Arena 测试 Meta Muse Wonder 3D 场景生成
Arena.ai 让 @petergostev 对 Meta 的 Muse Wonder（Max）进行测试，覆盖一次性 3D 场景、动画 HTML 和前端设计，并与 Astra、Opus 5.5、GPT-6.1 Sol、Claude Sonnet 5.5、Fable、Kimi 和 Mistral 对比，同时列出每次生成的费用。Muse Wonder 的 Arena 评分即将公布。
Hacker NewsAI 评分1212 AI-critic：面向 ML 模型的任务感知审计工具
AI-critic 是一个对 ML 模型进行任务感知审计的开源项目，采用 MIT 许可证。仓库包含 index.html、script.js、styles.css 等前端文件，以及 README 和 .vscode 配置。
Hacker NewsAI 评分5050 Cognition 发布 FrontierCode 1.1：AI 写的代码维护者愿意合并吗？
Cognition 联合 36 个开源仓库维护者推出 FrontierCode 1.1 编码基准，用 100 道私有任务考察 AI 的改动是否达到可合并标准，除测试外还评估过度改动、越界修改文件等行为。
GitHubAI 评分2222 LLM-Contract：开源 AI 智能体与 LLM 测试评估工具
LLM-Contract 是一款开源免费的 AI 测试工具包，可对 LLM、聊天机器人和 AI 智能体进行评测、提示词回归测试与 RAG 接地检查，支持 OpenAI、Anthropic、Google AI 及任何兼容 API。它提供结构化输出校验、Flakiness 追踪和 CI Gates，测试失败时自动阻止部署，并支持命令行运行与 CSV/Excel 导入导出。
GitHubAI 评分1212 autoresearch-adal：在 Windows 上对比 AdaL 与 Claude Code 的 Autoresearch 基准测试工具
autoresearch-adal 是一款 Windows 应用，用于在 Karpathy 的 Autoresearch 基准上对比 AdaL 与 Claude Code，可集中运行测试、并排查看分数、日志与输出文件。应用需 Windows 10 或 11，本地跑基准建议 8 GB 以上内存与至少 2 GB 空闲空间，并需填入 API key 或本地工具路径。
Hacker NewsAI 评分1212 同一创业难题分别问 ChatGPT、Claude 和 BAAB AI，三者回答有何不同
一位创始人把"现在融资还是继续自举"的真实决策，用同一段提示词分别跑过 ChatGPT、Claude 和 BAAB AI。三者结论一致：不要只因故事讲得好就融资；ChatGPT 给出六个月运营计划和指标清单，Claude 建议先自举约四个月、并坦言结论取决于它没有的数据，BAAB AI 则先判定公司处于 Baby 阶段、标注评估不完整，并把 Path A 拆成三个各自需要证据的决策。
GitHubAI 评分2222 HermesMade：从 Reddit 痛点数据到 6 个 AI 命令行工具
HermesMade 扫描 6 个 AI/tech 子版块、提取 343 条痛点信号并归纳出 8 个痛点，据此开源了 6 个独立 CLI 工具，可用 bash install.sh 一键安装。
Apple Machine Learning ResearchAI 评分3030 大语言模型用于机器翻译质量标注：人类与模型双双面临挑战
Apple 研究团队评估了 LLM 在 MQM 和 ESA 两种机器翻译质量标注方案上的表现，在覆盖 70 个语言对的长上下文测试集及 WMT23、WMT25 公开数据上对比其与人类标注者的一致性。
GitHubAI 评分2828 En Dash Consulting 推出 hotdogbenchmark：每周问 11 个大模型“热狗是不是三明治”
En Dash Consulting 开源 hotdogbenchmark，每周一 12:00 UTC 向 11 个大型 AI 模型提问“热狗是不是三明治”，要求一词作答，并发布一份一本正经的行业分析师报告。基准还追问汉堡与塔可，并用“热狗是三明治”和“不是三明治”两种系统提示词测试模型的受暗示程度。项目无需 API key，mock 模式可离线跑通全流程，真实运行每月成本仅几美分。
Microsoft ResearchAI 评分4141 微软 StudentSim：用个性化学生模拟器评估和改进 AI 辅导系统
微软研究院推出 StudentSim，一种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，让 AI 辅导工具在接触真实学习者之前就能获得反馈信号。
GitHubAI 评分4444 MCPLab：用 LLM 测试与评估 MCP 服务器的框架
MCPLab 是面向 MCP 服务器的测试与评估框架，可验证 LLM 智能体是否正确调用 MCP 工具，并在同一任务上对比 Claude、GPT-4 等不同模型，追踪工具调用模式、成功率与性能指标。
Hacker NewsAI 评分4949 软件工厂该不该「熄灯」？CRBugBench 评测 AI 代码审查智能体
研究者构建 CRBugBench 基准，用 98 个开源 GitHub 仓库的 1,000 个审查任务和某大公司 800 个专有仓库任务，评估审查智能体能否发现人工确认的 bug。
The Decoder同新闻AI 评分8080 Meta 发布前沿模型 Muse Wonder 与 Muse Wonder Full
Meta 发布前沿模型 Muse Wonder 的两个版本，Muse Wonder Full 在 Artificial Analysis Intelligence Index v4.3 上得 56 分，Muse Wonder 得 52 分，前代 Muse Spark 1.3 为 48 分。
Hacker NewsAI 评分2222 Muse Wonder Full 在 Artificial Analysis 上成为 Fable 级新模型
Muse Wonder Full 在 Artificial Analysis Intelligence Index v4.3.2 上达到 Fable 级水平，该指数涵盖 AA-Briefcase v1.1。
Hacker NewsAI 评分6060 Elorian 与 Scale AI 发布 HSS 基准，测量多模态模型的直觉视觉推理
Elorian 与 Scale AI 联合发布 Humanity's Sixth Sense（HSS）基准，用 522 道开放式题目测量多模态模型对画面隐含信息的直觉视觉推理，含 288 张图片和 234 段短视频、共 17.6 小时视频。
Hacker NewsAI 评分6464 HWREBench：作者用 AI 破解多款智能设备并建立硬件破解基准
作者在 Amazon 购买多款智能设备，用 AI 模型尝试破解，多数设备被成功攻破，并据此建立了硬件破解基准 HWREBench。测试显示开源模型几乎不拒绝请求，闭源模型仅给出少量警告；GLM 5.3 完成任务花费 1.63 美元，Deepseek V4.1 Flash 花费 0.08 美元。作者指出，抗破解较好的设备通常来自知名品牌、近期更新、暴露面小，并依赖配对时生成的密钥或物理干预。