10 年前的 CNN 皮肤癌诊断表现优于前沿 LLM
皮肤科医生测试了 GPT-6 Astra 和 Claude Fable 5.1 在 200 个活检证实的皮肤病变图像诊断中的表现，发现其准确率不及经过微调的 10 年前 CNN 模型 Inception v3。测试表明该 CNN 在整体正确率、恶性病变识别以及良性病变区分上均优于两款前沿 LLM。
发布时间：
#评测/基准
Hacker News-首页AI 评分5858
Nathan Lambert@natolambertAI 评分3535
发布时间：- 发布时间：
Nathan Lambert 发布的 Kimi K3.1 Pro 基准测试解读显示，该模型在强化学习方面取得了明显进展，其初始版本的轻量后训练已转变为更强的能力，表明中国在模型能力提升上正紧跟前沿。
发布时间：Yuchen Jin@Yuchenj_UWAI 评分6363
月之暗面发布 Kimi K3.1 Pro 模型，作者称其为目前最强开源模型。该模型在 Terminal-Bench 4.0 上超越 Claude Opus 5.5，且成本约为后者的三分之一。
发布时间：
Google@GoogleAI 评分4040
发布时间：Big TechnologyAI 评分6262 Sundar Pichai 深谈 Gemini 4 Argon 与 Google 坚守 AI 前沿
Alphabet CEO Sundar Pichai 在访谈中否认 Google 放弃前沿 AI，并表示 Gemini 4 Argon 在编码、数学、科学和知识工作基准上超越 OpenAI 和 Anthropic 的最新公开模型。他透露该模型上线 72 小时处理了近 25 万亿 token，约为 Gemini 3.0 同期的三倍。
发布时间：Artificial Analysis@ArtificialAnlysAI 评分6262
Artificial Analysis 指出，随着各档位模型不断推出，大模型在 Intelligence Index 同等智能阈值下的调用成本在一年内大幅下降。
发布时间：- 发布时间：
Hacker News-首页AI 评分5454 Token-maxxing 已死，OpenRouter 的 token 使用量进入平台期
OpenRouter 的实时 AI 模型排行榜显示，通过其 API 处理的 token 总量使用情况出现平台期。该排行榜基于数百万开发者的真实世界 API 使用量（涵盖提示词和补全 token）进行聚合统计，并按模型变体分别排名，但未直接衡量用户数或支出金额。
发布时间：TechCrunch · AIAI 评分2828 Hugging Face 政策主管 Irene Solaiman 谈内嵌 AI 评估员面临的挑战
Hugging Face 政策主管 Irene Solaiman 在 TechCrunch Disrupt 上表示，模型评估方法仍处于演变阶段，行业对内嵌评估员的信任度面临可复现性和标准化等挑战。她指出，当前评估正从单纯测试模型转向测试整个系统，而智能体评估不仅难度大且成本高。
发布时间：
TypeSafe AI@typesafeaiAI 评分1212
hmm maybe a benchmark is okay if it makes you hungry
发布时间：Karina@karinanguyenAI 评分3131
evals 是向前沿实验室出售数据以及构建您自己的自改进模型的基石。构建高端 evals 极其有价值且重要。
发布时间：谁来评测评测者？一个好的 eval 是： 短暂的。它定格了某个时间点和能力。 扎实的。它直接测量你关心的任务和数据上的性能。 具体的。它对期望的结果进行操作，而不是某些替代品。 记下来！
发布时间：
Hacker News-优质评论AI 评分1515 Ultramarine 1 Flash 评论讨论
讨论指出 Ultramarine 1 Flash 的测评图表存在选择性对比，忽略了 Fable 5.1、GPT-6 Astra、Claude Opus 5.5 等更强模型。评论提到该模型达到 Fable 级知识工作能力且价格便宜 60 倍，但其营销中的统计图表选择引发了关于透明度与基准测试的争议。
发布时间：
The Verge · AIAI 评分6363 The Verge 评测 Nvidia RTX Spark 笔记本：一周上手体验与各项性能表现
The Verge 多位作者联合实测了搭载 Nvidia 全新 RTX Spark N1X 处理器的高端笔记本，指出其图形和部分多任务处理能力强劲，但 CPU 单核性能、高昂售价以及本地 AI 体验仍有待提升。文章详细对比了其在主流游戏中的帧率、续航表现及运行本地大模型的功耗表现。
发布时间：Hacker News-优质评论AI 评分2020 New comment by a11r in "Muse Spark Open" 讨论
人工分析显示 Qwen3.8 Flash Next 和 GLM 5.3 Flash 的表现优于部分竞争对手，且两者均可在单个 B300 上运行。Meta 在开源权重领域仍需迎头赶上。此外，人工分析目前仅提供最高推理级别的对比，这对高吞吐量生产用例基本不可用。
发布时间：
The DecoderAI 评分6161 Google 表示自我改进的 AI 远未到来
Google 工程师 Haydn Belfield 表示，尽管自动化在生产代码编写等任务中已经占据很大比例，但自我改进的 AI 仍然遥远。Google DeepMind 内部数据显示，AI 驱动的研发并未出现可测量的加速，Gemini 能力正以每月约 0.1 个通用能力指数点的速度稳步增长，未见统计显著的加速迹象。复杂任务仍高度依赖人类，全自动智能体在面临复杂性时成功率显著下降。
发布时间：
AIHotAI 评分6868 19 款手机端模型性能超越 GPT-4
目前已有 19 款可在现代智能手机上运行的 AI 模型在性能表现上超过了 GPT-4。这一进展打破了 GPT-4 长期占据的最强模型地位，展示了端侧模型在算力与效率上的快速演进。
发布时间：AIHotAI 评分3232 Artificial Analysis 指数被过度当真
人们对 Artificial Analysis 指数及其各项模型得分的关注度过高。该指数虽提供量化参考，但其评分结果在实际应用中被赋予了过重的权重，引发了对模型评估指标合理性的讨论。
发布时间：
AIHotAI 评分3333 ChatGPT 网页流量份额回升至 56%，Gemini 微降至 25%
Similarweb 数据显示，ChatGPT 网页流量份额在过去 4 个月内从 53% 回升至 56%，但仍低于一年前的 71.8%。同期 Gemini 份额从 26% 微降至 25%，Claude 份额则维持在 9.6% 左右。分析认为，若 Anthropic 未来加大对普通消费者的投入，当前的市场格局或将发生快速变化。
发布时间：
The DecoderAI 评分4545 Andreessen Horowitz 发布 AI 消费产品榜单：付费用户极少但支出集中
Andreessen Horowitz 最新报告显示，尽管 AI 普及率已近半数，但仅有 4.5% 的美国消费者拥有 ChatGPT、Gemini 或 Claude 的付费订阅。
发布时间：TechCrunch · AIAI 评分4747 OpenAI 的数学解题方案尚未达到行业标准
OpenAI 近期发布了数百个数学难题的 AI 解题方案，但被指未能完全遵循数学与人工智能咨询小组（AGMAI）制定的行业准则。在 719 份手稿中，仅 10 份提供了 CoT，且 42% 的证明未经过形式化处理。此外，研究指出 OpenAI 模型在将自然语言证明转化为 Lean 代码时存在翻译偏差，引发了学界对其解题结果可信度及人类理解缺失的质疑。
发布时间：
Import AIAI 评分6868 Import AI 469：DiG-bench 游戏发现基准、Faraday AI 科学家模型及 Meta 的 AI 愿景
本期内容介绍了 DiG-bench 基准测试，该测试通过 70 个规则隐藏的交互式游戏评估 AI 的自主发现与推理能力，目前 Opus 5 和 Fable 5 表现领先。
发布时间：