内容类型
模型到底谁更强：Benchmark 评测成绩、评测方法的争议与排行榜变化。
47 条精选近 30 天 25 条共收录 290 条
前 OpenAI 研究员 Will DePue 称，他从已发布的模型权重中找到了 Nvidia Blackwell 芯片的特征指纹，涉及 DeepSeek-V4-Flash、DeepSeek-V4-Pro、MiniMax-M3、Kimi K3、Kimi K3.1-Pro 和蚂蚁 Ling-3.1-flash 六个自 2026 年 4 月以来发布的中国模型。
推荐理由：原文梳理了指纹检测方法的原理与边界，读者可据此理解这类证据能说明什么、不能说明什么。
Google 推出 Gemini 4 Hydrogen，取代其产品线中的 Gemini 3.8 Flash，面向用户立即开放，不像此前 Argon 和 Carbon 那样分阶段限制访问。该模型提供 low、medium、high 和新增的 xhigh 四档思考级别，Google 称即使在 high 模式下速度也比 Flash 3.8 快 2.5 倍，
推荐理由：原文给出了 Hydrogen 相对 3.8 Flash 的速度、幻觉与代码能力对比数据，读者可据此判断这次替换对日常使用的影响。
Tether AI Research 发布 BotPsy，一个基于 Qwen3.5-0.8B 构建、面向函数调用与智能体工作流的 0.8B 参数端侧模型，将以 Apache 2.0 许可开源权重，提供 bf16、Q8、Q4 三种精度的 safetensors 与 GGUF 文件。
推荐理由：原文给出四阶段训练配方与逐项基准对比，可据此理解小模型如何在工具调用上追平更大模型。
Google DeepMind 宣布 Gemini 4 Carbon 正式面向开发者、企业、科学家和消费者开放，定位为最强模型，主打网络安全能力与长程智能体工作流。
推荐理由：原文给出定价、基准排名与安全数据，读者可据此对比 Carbon 与 Argon 的分工和迁移成本。
Google DeepMind 发布 Gemini Robotics 2.5，称其为迄今最强的视觉-语言-动作（VLA）模型，提升机器人可学技能的广度与获取速度。
推荐理由：原文给出 Mercedes-Benz 产线 96% 成功率与越狱防御基准，读者可据此评估其工业落地与安全水平。
Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2，官方称其在几乎所有已评估能力上超过 Opus 5.5，并登上多数独立排行榜首位。
推荐理由：原文汇总了独立评测与成本数据，读者可据此判断新模型在能力与实际开销上的取舍。
Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2，两者共享同一模型基础，定价为每百万输入 token 8 美元、输出 40 美元，低于前代的 10 美元和 50 美元，输出速度比 Fable 5.1 与 Mythos 5.1 快最多 30%。
推荐理由：文章汇总了新模型的基准分数、定价与安全限制，读者可据此比较它与前代及竞品的差距。
NVIDIA 在 CoRL 大会发布一系列开放机器人技术，包括基于 Cosmos 的开源世界动作模型 GR00T 2、Isaac Lab 3.0、Isaac Lab-Arena 0.4 开发者预览，以及 DexBench、VABAR 两个新工业评测基准。
推荐理由：原文系统梳理了从世界动作模型到仿真训练与评测基准的完整技术栈，可据此理解 NVIDIA 在机器人仿真训练上的整体布局。
Hugging Face 与 AllenAI 推出 FoundationWorlds 框架及其首个基础世界 ToyBlocks，一个围绕机械臂与桌面积木的开源仿真环境，可自动生成任务与演示数据，无需人工遥操作。
推荐理由：通过受控仿真环境把数据生成、训练与评测打通，读者可据此理解机器人泛化与失败归因的可复现研究路径。
Thinking Machines 发布 Inkling 2 Small，一个 594B 总参数 / 17B 激活参数的多模态 MoE 模型，支持文本与图像输入、文本输出，具备原生视觉能力，上下文窗口和最大输出均为 1M tokens，现已在 Tinker 和 Tinker Playground 上开放微调与推理，Apache 2.0 权重将在外部安全测试完成后于下周发布。
推荐理由：原文汇总了训练成本、独立评测与安全披露，读者可据此判断这款开源权重模型的真实定位与短板。
NVIDIA 宣布 Vera CPU 同时提供快速的 Agent 性能和高每瓦容量，让服务商用单一 CPU 覆盖各类 Agent 工作负载，无需混搭快与密集的 x86 部件。
推荐理由：原文用多家伙伴的实测数据说明 Vera 在速度与每瓦容量上的表现，便于评估其对 AI 工厂选型的影响。
Hugging Face 发布可在本地设备运行的文本转语音模型 Phonon，无需服务器和网络，两周内下载量超过 200,000 次。模型提供约 65 MB 和 75 MB 两个尺寸，支持英语、法语、德语、西班牙语和葡萄牙语五种语言及 100 多个内置声音；Phonon 31m 仅支持英语并采用 Apache 2.0 许可，Phonon 40m 覆盖五种语言但限非商业使用。
推荐理由：原文交代了小模型兼顾音质与体积的技术路线、许可证差异和排行榜成绩，可帮助判断端侧语音方案的可用性。
Hugging Face 与 Collinear AI 开源 CWE-bench v2，公开 100 个任务，覆盖 91 种 CWE，用于测试前沿模型发现并修复安全漏洞且不破坏现有功能的能力，评分完全程序化、可复现。
推荐理由：公开了 100 个任务的评分口径与成本数据，读者可据此判断模型在真实漏洞修复上的水平与代价。
IBM Research 用同一个开源模型 GLM-5.3-flash 在 AppWorld 的 90 个任务上对比 CUGA、Hermes 和 Deep Agents 三个 harness，任务完成率分别为 81.1%、46.7% 和 30.0%，说明 harness 选择对结果影响很大。
推荐理由：同一模型换 harness 完成率从 30% 到 81%，这组对照数据能帮读者理解选型应匹配工作负载而非只看模型。
Google DeepMind 发布 Gemini 4 Carbon，称其为最强模型，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。
推荐理由：原文给出网络安全与长时任务的具体基准分数和对齐改进数据，读者可据此评估其在安全防御场景的实际能力定位。
Moonshot 发布 Kimi K3.1 Pro，为 2.8T 总参数、104B 激活参数、1M token 上下文窗口的多模态 MoE 模型，权重承诺 2026 年 11 月 4 日开放。
推荐理由：原文区分了厂商宣传、独立评测与部署经济学三层证据，读者可据此判断开源权重模型与闭源前沿的真实差距。
微软称其多智能体诊断系统 Diagnostic Orchestrator 在诊断准确率上最高可达人类医生的四倍，相关研究发表于 Science。
推荐理由：原文给出了基准构成、对照组数据和临床验证路径，读者可据此判断多智能体诊断系统与真实医疗落地之间的差距。
Hugging Face 发布 OlmoEarth v1.3 卫星嵌入模型，读取 Sentinel-1 雷达与 Sentinel-2、Landsat 多光谱时间序列。
推荐理由：原文给出了评测对比和训练成本变化，读者可据此判断其相对前代与同类模型的实际改进幅度。
Google Research 在 JAMA Network Open 发表论文，评估其 AI 孕周估算系统在芝加哥 Northwestern Medicine 与肯尼亚内罗毕 Jacaranda Health 两处临床环境中的泛化表现。
推荐理由：研究展示了AI在真实临床环境中跨硬件、跨地区的泛化能力，为低资源地区扩大产前超声覆盖提供了可参考的验证路径。
Ai2 发布 FairStress 基准，用于测量 LLM 在最终选择之外的决策稳健性公平差异，包含 300 个双候选人场景、29 个领域，经人口统计身份与对抗前缀组合扩展至超过 1300 万测试用例，并提供 50K 项的 FairStress-Core 子集。
推荐理由：原文用对抗前缀揭示了输出层公平掩盖的决策稳健性差异，并给出相对有效的反事实 CoT 缓解方法。