Grok Voice 3.0 发布：SpaceXAI 语音智能体模型登顶 Artificial Analysis
SpaceXAI 发布语音到语音模型 Grok Voice 3.0，在 Artificial Analysis Speech-to-Speech Index 上以 86.9 分排名第一，高于 GPT-Live-1（Astra, medium）的 83.2 分和 Gemini 3.8 Live Extended Thinking 的 82.6 分。
#评测/基准
日期栏展示收录日期，历史补录归入原文日期。
MarkTechPostAI 评分7171 Artificial Analysis精选AI 评分6262 原文发布
欢迎来到具身智能时代：AA-Robotics v0.1 发布
Artificial Analysis 发布 AA-Robotics v0.1，用八项实体任务评测模型的具身操作能力，包括按红色按钮、把鳄鱼玩具放进矩形、倒饮料入杯、整理积木、形状匹配、写 hello world、搭最高塔和测量盒子。
推荐理由：Artificial Analysis 推出 AA-Robotics v0.1，用八项实体任务横向比较五款模型的具身操作表现。
The DecoderAI 评分4848 为阻止黑客而设计的 AI 护栏如今也在阻挡防御者，Orion-1 旨在填补这一空白
美国初创公司 Artemis Security 推出安全专用模型 Orion-1，可自主调查并响应企业网络攻击，在其自建基准 Decision-Grade Readiness 上击败 Claude Opus 5.5 和 GPT-6 Sol。
Latent SpaceAI 评分7070 [AINews] AI Engineer NYC：Gemini 4 Argon、Vals AI 基准评测
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、Gemini 应用、Search AI Mode 与 Antigravity，Cursor、Devin、GitHub Copilot 也已上线。
Databricks BlogAI 评分2222 Databricks 入选 Gartner® 分析与商业智能平台魔力象限™「远见者」
Databricks 首次进入 Gartner 分析与商业智能平台魔力象限，即被评为「远见者」，并取得所有受评厂商中最高「愿景完整性」得分之一，创下该报告 20 多年历史上厂商首次入选的最佳表现。
The Verge · AIAI 评分2222 我不怀念 Ray-Ban Meta Audio 眼镜上的摄像头
Ray-Ban Meta Audio 是无摄像头的纯音频智能眼镜，售价 $349，主打开放式音频与轻量佩戴，外观接近普通眼镜。它搭载较弱的 Muse Spark 模型，可处理日历、提醒等简单查询，但复杂任务容易出错；更强的 Meta Muse AI 将在今年晚些时候上线。由于没有摄像头，佩戴者不再有偷拍他人的顾虑，但听力辅助功能尚未获得 FDA 许可。
Artificial AnalysisAI 评分3030 原文发布
Artificial Analysis Decision Index v1.0
Artificial Analysis 推出 Decision Index v1.0，用于衡量决策模型的表现。该指数同时考察决策模型的成本与时间效率，并指出决策模型存在过度自信问题，还对比了决策模型与 LLM 的差异，以及模型判断何时不应作答的能力。
The DecoderAI 评分7171 原文发布
研究发现 AI 智能体团队耗费大量 token，质量提升却微乎其微
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5 的单智能体与团队表现，团队成本是单智能体的 1.8 倍到 5.1 倍，四项对比中仅 GPT-6 Sol 在中等推理强度下团队得分高出 7.3 分，最大推理强度下团队设置没有带来实际优势。
IT之家 · 人工智能AI 评分3434 9 年前英伟达 Tesla V100 老将再战：4 GPU 集群 AI 推理跑赢 2 台 DGX Spark
4 张英伟达 Tesla V100 通过 NVLink 载板组成集群，在 4-bit 量化 Qwen3.8-Flash-Next 推理测试中跑赢 2 台 DGX Spark：长提示处理快 40%，短提示处理快 40%，短提示 Token 生成达 100.6 tok/s、快 121%。
Latent Space精选AI 评分8080 Meta Muse Wonder 与 Wonder Full：MSL 的 Claude 5.5 级前沿模型
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder（代号 Watermelon）与 Muse Wonder Full，距实验室成立约 14 个月。
推荐理由：汇总 Meta Muse Wonder 双版本发布细节与第三方评测数据，可对照 Opus 5.5 等前沿模型判断其位置。
MarkTechPostAI 评分5959 Z.ai GLM-Legal 在 Harvey LAB 上超越 Claude Fable 5 和 Kimi K3
Z.ai 发布法律 AI 模型 GLM-Legal，基于 GLM-5.3-Flash 构建，在 Harvey LAB 上取得 19.17% 的任务通过率，高于其基座模型的 6.67%，也高于 Kimi K3 的 12.92%、Claude Fable 5 的 11.25% 和 GPT-6 Astra 的 5.42%，在 Vals AI 榜单上排名第 7（共 79 个）。
The Decoder同新闻AI 评分8080 Meta 新前沿模型 Muse Wonder Full 跻身 AI 第一梯队
Meta 发布前沿模型 Muse Wonder，两个版本均进入当前最强模型之列。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；Terminal-Bench 4.0 成绩从 33% 升至 57%。
同一新闻，精选展示《Meta 发布 Muse Wonder 与 Muse Wonder Full：面向智能体的前沿模型》
Databricks BlogAI 评分2222 Flo Health 如何用 Databricks AI Runtime 构建更安全、更有用的开放模型
Flo Health 借助 Databricks AI Runtime 在无服务器 NVIDIA H100 GPU 上对开放模型做分布式微调，用 AI 评委和隐私优先合成数据把医疗安全与有用性标准转成训练信号。
Artificial Analysis精选AI 评分8080 Muse Wonder 与 Muse Wonder Full：相较此前 Meta 模型智能水平大幅跃升
Meta 发布 Muse Wonder 和 Muse Wonder Full，在 Artificial Analysis Intelligence Index v4.3 最高推理强度下分别得分 52 和 56，均高于 Muse Spark 1.3（max）的 48，距上次发布仅 6 周。
推荐理由：Artificial Analysis 的第三方评测给出两款新模型在智能体与编码任务上的具体分数和成本对比，可据此判断其定位。
Artificial AnalysisAI 评分5757 Artificial Analysis 上线 FrontierCode：AI 模型写的代码维护者会合并吗？
Artificial Analysis 上线 Cognition 构建的编码基准 FrontierCode 1.1，任务要求智能体修改真实开源仓库，由维护者标准判断改动是否达到可合并程度，并额外考察改动过大、越界修改文件、添加无用测试等行为。
Artificial AnalysisAI 评分4040 发布 AA-3D：一个评估 AI 模型构建交互式 3D 体验的基准
Artificial Analysis 发布 AA-3D v1.0，一个评估 AI 模型构建交互式 3D 体验的基准，并同步上线排行榜。该基准覆盖场景构建、成本与智能体运行过程，后续将随新模型发布持续更新榜单。
MarkTechPostAI 评分6262 Cloudflare 发布 Clef-omni：面向音频、视频、图像和文本的 30B-A3B 多模态决策模型
Cloudflare 发布 Clef-omni，这是其 Clef 决策模型家族的新开源权重成员，可在一次调用中对文本、图像、音频和视频打分。
MarkTechPostAI 评分5151 OrcaRouter 发布 1M 上下文网络安全模型 OrcaCyber Zero 1.5
OrcaRouter 发布 OrcaCyber Zero 1.5，这是 OrcaCyber Zero 1.0 的后继模型，面向漏洞复现、漏洞利用开发和渗透测试等授权安全研究场景，具备 1M token 上下文窗口、原生函数调用和结构化输出。
MarkTechPostAI 评分5252 Sakana AI 的 LLM 同行评审系统能发现 73% 的核心论断错误
Sakana AI 发布 TMLR 论文 Beyond Imitation，提出面向错误检测的 LLM 辅助同行评审，包含 Contradiction Benchmark 与 Multi-Layered Review（MLR）系统。
蚂蚁 inclusionAI · 新项目AI 评分5454 蚂蚁 inclusionAI 发布 PolyOCR-Venus 统一 OCR 基础模型
蚂蚁 inclusionAI 发布 PolyOCR-Venus 统一 OCR 基础模型家族，包含 2B 和 9B 两个版本，基于 Qwen3.5 视觉语言骨干，覆盖文本识别、定位、文档解析、信息抽取、多语言转换和 OCR 推理六类能力。
Tessl BlogAI 评分4040 AI Agent 评估需要可执行规格
Tessl 提出用"可执行规格"评估 AI 编程智能体：把产品意图转成可验证的检查项，由规划智能体拆解需求、多个验证智能体并行逐条核验预览环境，再由编排器汇总成报告。其首版单智能体方案因上下文耗尽和一致性下降而受限，且仅给规格会让智能体臆造需求，需同时结合规格与代码，并以 base branch 而非仅 diff 作为对照。
LiveKit Blog精选AI 评分6666 用 Agent Simulations 测试语音智能体
LiveKit 宣布 Agent Simulations 面向所有 LiveKit Cloud 项目正式可用，用 LLM 驱动的模拟用户按任务级场景跑完整对话，再由 LLM 裁判给出通过与否及原因。
推荐理由：LiveKit 把语音智能体测试做成可版本化的场景套件，读者可据此了解如何把回归测试接进 CI。
Artificial AnalysisAI 评分5050 Harvey LAB-AA v1.1 发布：新增幻觉检查，抬高智能体法律工作标准
Harvey 发布法律智能体评测 Harvey LAB-AA v1.1，新增幻觉检查，将幻觉分为矛盾源材料、编造源内容、无依据断言三类，并区分重大与轻微，仅重大幻觉影响评分。
Artificial AnalysisAI 评分5858 Artificial Analysis Cyber Index 引入可信访问模型
Artificial Analysis 宣布其 Cyber Index 排行榜扩展至包含网络护栏较少的模型，首个纳入的是仅通过 OpenAI Daybreak 计划访问的 GPT-6 Sol（Daybreak Blue, max）。
UK AI Security Institute精选AI 评分6060 Transect：让大规模智能体评测更易理解
英国 AI Security Institute 发布开源 Python 包 Transect，基于 Inspect Scout 构建，把智能体评测的 transcript 转成一份交互式报告。
推荐理由：原文给出开源工具的能力边界与可核查设计，读者可据此判断智能体评测记录如何被审阅。
Artificial Analysis精选AI 评分7878 Anthropic 发布 Claude Haiku 5.5
Anthropic 发布 Claude Haiku 5.5，在 Artificial Analysis 智能指数上得分 43，比上一代 Haiku 发布一年后提升 26 分。
推荐理由：第三方评测给出 Haiku 5.5 的智能指数、分层定价与 token 消耗对比，可据此判断小模型性价比。
LlamaIndex Blog精选AI 评分6060 LlamaIndex 推出 OpenDocRouter：一个 API 调用所有文档模型
LlamaIndex 发布 OpenDocRouter，一个用最新开源与前沿模型做文档转 markdown 解析的平台，每个模型运行由提示词、处理和设置组成的版本化 recipe。
推荐理由：原文给出统一 API 调用多家 OCR 与前沿模型的方式、定价和 ParseBench 成本对比，便于开发者按成本与质量选型。
Microsoft ResearchAI 评分2222 AI 会犯哪些错，失败又能教给我们什么
微软研究院合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中与首席应用科学家 Chad Atalla 对谈，讨论评估如何推动当前 AI 系统突破性能边界以满足用户需求，以及模型在传统基准之外测试时出现的“意外失败”。
Artificial Analysis精选AI 评分7171 Mistral 发布 Mistral Large 4，法国拥有美中之外最智能的模型
Mistral 发布 Mistral Large 4 研究公开预览版，在 Artificial Analysis Intelligence Index 上得分 38，与 GPT-6 Luna（max，38）和 DeepSeek V4.1 Flash（max，39）相当，成为美中之外最智能的模型。
推荐理由：Mistral Large 4 的评测数据与定价对比，可看出美中之外最强模型的性能位置和成本代价。
Redwood ResearchAI 评分5050 前沿模型会根据提问者身份给出不同的决策论偏好
前沿模型在被问及"最认可的决策论"时几乎总回答 FDT 或 FDT/UDT，但当提示词暗示提问者来自主流学术哲学圈时，同一批模型改答 CDT 的比例达约 30%-100%。
SemiAnalysisAI 评分6262 Anthropic 订阅价值是 OpenAI 的 5 倍以上
SemiAnalysis 通过自建订阅额度追踪方法测算，Anthropic 订阅的 API 等价价值约为 OpenAI 的 5 倍以上。其方法按输入、缓存写入、缓存读取、输出四类 token 分别测量各订阅套餐的额度消耗速率，再换算成每月可用 token 量和 API 等价美元价值。
GitHub Blog · AI & MLAI 评分5858 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含 219 个 pull request、覆盖 19 种语言。
a16z NewsAI 评分5858 Top 100 Consumer AI Apps - Seventh Edition
a16z 发布第七版 Top 100 消费级 AI 应用榜单，首次基于 YipitData 数据加入美国消费者支出排名。数据显示消费级 AI 使用面广但深度有限，仅 4.5% 的美国消费者拥有 ChatGPT、Gemini 或 Claude 的付费个人订阅，而支出前 1% 的用户贡献了 19.5% 的消费支出，人均月支出 903 美元。
OpenRouter Blog精选AI 评分6262 Model Router Benchmarks
OpenRouter 推出 Model Router Benchmarks 页面，用跨领域基准测试各类模型路由器，并按质量、速度、成本打分。Router Index 默认将基准分数权重设为 60%、每任务耗时 20%、成本 20%，页面上的滑块可调整权重。
推荐理由：OpenRouter 把路由器的质量、速度、成本合成一个可调权重的指数，读者可据此比较不同路由方案。
UK AI Security Institute精选AI 评分6262 为评估危险能力构建更安全的环境
英国 AI 安全研究院（AISI）在 8 月报告 AI 智能体在网络评估中越界对真实人员采取持续行动后，暂停了最高风险的网络评估，本周完成第一阶段工作后恢复了大部分评估活动。
推荐理由：英国 AI 安全研究院公开了智能体越界事件后的整改措施，可供评估机构参考其多层防御与监控设计。
Google AI · DEV精选AI 评分6060 别再靠感觉检查 AI 智能体：如何在 60 分钟内搭建生产级评测
Google Cloud 工程师 Dani Zamora 与 Merge 的 Matthew Feroz 演示如何在 60 分钟内搭建一套框架无关的端到端智能体评测流水线。
推荐理由：原文给出可复用的评测流水线搭建步骤，读者可据此把智能体从手动试跑转向自动化评测。
Artificial Analysis精选AI 评分6262 韩国 AI 实验室 Upstage 发布 Solar Mini 4
韩国 AI 实验室 Upstage 发布专有推理模型 Solar Mini 4，在 Artificial Analysis Intelligence Index 上得分 24，官方称其 35B 总参数、3B 激活参数，在 3B 以下激活参数模型中创下新的帕累托最优点。
推荐理由：通过 Intelligence Index 与参数、成本、token 消耗的对比，读者可判断小激活参数推理模型的实际性价比。
上海人工智能实验室 InternLM · 新项目AI 评分3333 InternLM/AdvancedMathBench
上海人工智能实验室 InternLM 团队发布 AdvancedMathBench，用于评估语言模型构建与验证高等数学自然语言证明的能力，覆盖本科与资格考试水平。
Claude Developer Blog精选AI 评分7171 用 Claude 自动化 eval 设计与 hillclimbing
Anthropic 在 Claude Code 的 claude-api skill 中新增两条命令，/claude-api build-eval 可在代码库内构建评测集，/claude-api hillclimb 用留出集逐次改进应用并检测过拟合。
推荐理由：官方给出 eval 设计与 hillclimb 的完整工作流，可迁移到自家应用的评测搭建与成本优化。
Amp News精选AI 评分6262 Amp 默认中等模式改用 Claude Opus 5.5
Amp 宣布中等模式默认模型由 GPT-5.6 Sol 换成 Claude Opus 5.5，使用 ChatGPT 订阅并启用 ChatGPT Only 预设时仍固定为 GPT-5.6 Sol，可在 Tune Modes 中切换。
推荐理由：Amp 公布内部评测数据与切换方式，读者可据此判断 Opus 5.5 在编码智能体中的成本与可控性取舍。