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。
11 条精选近 30 天 10 条共收录 265 条
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2，官方称二者在几乎所有评测能力上都高于 Opus 5.5，并在 Artificial Analysis Intelligence Index v5 上以 65 分重回第一，超过 Gemini 4 Carbon 的 60 分。
推荐理由：汇总多家独立评测与成本数据，呈现 Fable 5.2 登顶背后的 token 消耗与 effort 档位反常。
Google 在两周安全专家测试后正式开放 Gemini 4 Carbon，它与此前发布的 Gemini 4 Argon 并存，定位复杂多步编码、调试和开放式科研等任务。
推荐理由：文章把 Gemini 4 Carbon 与 Fable 5.2 的基准和单任务成本放在一起比较，便于判断同价位下的取舍。
Anthropic 新模型 Fable 5.2 在 Scale Labs 与 CAIS 的 Remote Labor Index 上取得 41.3% 的成绩，该基准衡量 AI 智能体完成真实自由职业任务、且达到付费客户可接受质量的比例。
推荐理由：Fable 5.2 在 Remote Labor Index 上从一年前 2.5% 提升到 41.3%，并列出与竞品的差距和仍薄弱的任务类型。
Google DeepMind 发布 Gemini Robotics 2.5，称其为目前能力最强的视觉-语言-动作（VLA）模型，在200项任务评测中成功率比此前基线高30%至100%，完成任务速度快20%至30%。
推荐理由：官方给出200项任务评测与奔驰产线96%成功率，可据此判断VLA模型在真实工业场景的落地进度。
Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2，两者共享同一模型底座，区别在访问权限：Fable 面向所有用户并拦截网络安全和生物学高风险任务，Mythos 移除部分限制、仅向通过 Anthropic 网络安全或生命科学验证计划的组织开放。
推荐理由：材料给出两款新模型的分级开放方式、定价与多项基准对比，可据此判断 Anthropic 在 IPO 前的技术位置。
Scientist World 将每篇研究论文转成可执行环境，自动提取论文的开放研究问题并把其方法复现为基线，AI-Scientist 进入后与人类作者成果对比评估，首批发布 1,000 个已验证环境。
推荐理由：论文把每篇论文转成可执行环境，并给出前沿 AI-Scientist 超越人类作者的比例与训练增益，可作为评估 AI 科研能力的参照。
研究者提出一个行为框架，把前沿AI系统的失控风险拆解为动机错位、危害能力与规避监控三个因素，并通过13个可测维度和29项评测任务合成单一失控（LoC）分数。在13个前沿模型上，该分数与受控长时程风险场景中的失败率相关系数达Pearson r = 0.84，且风险差异无法仅用能力解释。针对诊断出的薄弱环节做微调与监控，可在较大程度保留通用性能的同时降低失败率。
推荐理由：该框架把失控风险拆成动机、能力与规避监控三项，并在13个前沿模型上验证其与长时程任务失败率的相关性。
Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon，称其在网络安全与长周期任务上达到 SOTA，并以 88.2% 的 SEC-bench Pro 漏洞发现成绩作为主要指标。
推荐理由：汇总了 Gemini 4 Carbon 在多个独立榜单上的位置与定价，并列出编码、幻觉率等具体对比数据。
Ai2 发布研究《Old Ideas, Novel Problems》，测试 GPT-5.1、GPT-5.2、GPT-5.4、Claude Sonnet 4.5、Claude Opus 4.5 和 Claude Opus 4.6 六个 LLM 判断研究想法新颖性的可靠性，并同步开放基准、数据和代码。
推荐理由：Ai2 用 ICLR 2026 审稿意见构建新颖性评测集，量化了提示词微调就能让同一模型判断大幅翻转。
Google 发布 Geospatial Reasoning 智能体的技术报告，在四个基准上对比独立 LLM、基础工具、Earth AI 工具和带前置规划的完整智能体，并新开源 GeoKTools 与 GeoExpertQueries 两个基准的开发集。
推荐理由：技术报告用四个基准对比有无专用工具与前置规划，并附世卫组织等伙伴的实测案例，可看地理空间智能体的能力边界。
GitHub 发布 AI 代码审查开放基准 ReviewBench，基于 103.9M 条 GitHub PR 的分布特征，构建了覆盖 19 种语言、219 个公开 PR 的评测集。
推荐理由：GitHub 公开了 ReviewBench 的构建方法、评分规则和 96.6% 的人工一致性数据，读者可据此判断 AI 代码审查评测的可复现程度。