#评测/基准

Cohere@cohere· 22:00AI 评分3232

LLMs 正在变得越来越擅长数学和科学。但令人惊讶的是，许多 LLM 无法解决一个基础的谜题。 @Cohere_Labs 的 CulturalRiddles 是一个新的基准，用于衡量将文化作为交织的生活体验。秉承开源科学的精神，它由一个意想不到的团队共同打造。

Artificial Analysis@ArtificialAnlys· 20:56AI 评分2828

在 AA-PersonalityBench 中，Anthropic 模型通常是所有被测模型中最具信息密度和读写能力的 ➤ 信息密度最高：Claude Fable 5.1 (100)、Claude Opus 5.5 (97)、Claude Sonnet 5.5 (95) 和 Claude Haiku 5.5 (92) ➤ 读写能力最高：Claude Haiku 5.5 (100)、Claude Opus 5.5 (97) 和 Claude Fable 5.1 (95)

Ant Ling@AntLingAGI· 19:20AI 评分5050

蚂蚁百灵发布 Ling-3.1-flash-1019 模型，在 Artificial Analysis Intelligence Index 上的得分从 Ling-3.1-flash 的 41 分提升至 44 分。其在智能体工作能力上有明显进步，其中 AA-Briefcase 从约 1400 提升至 1524 Elo，AutomationBench-AA 从 62% 提升至 68%，官方表示 API 访问和开源权重即将推出。

Artificial Analysis@ArtificialAnlys· 12:41AI 评分6464

Artificial Analysis 对 DeepSeek Search 进行了实测，其在搜索索引中得分 69，在付费 Search API 中单价最低。实测显示其定价为每千次搜索 0.75 美元，在 AA-Omniscience 基准上准确率为 70%，但每次搜索返回约 7k tokens 导致模型调用成本较高。

Artificial Analysis@ArtificialAnlys· 10:33AI 评分5656

Artificial Analysis 对比了 14 个模型在 MLCR-AA 与 HealthBench Professional 医疗基准上的表现，发现 Anthropic 模型在回答完整性和原始得分上领先，而 OpenAI 模型在准确性和简洁性上更具优势。

meng shao@shao__meng· 10:33AI 评分6060

Netflix 资深研究科学家 Cameron R. Wolfe 分享了 Agent 主观任务评测的系统化方法，提出包含功效分析、置信区间等三件统计工具与多样、真实等五个评测集选择标准。核心路线分为人工评测、离线自动评测和线上监控三步，通过离线筛选、人工终审、A/B 测试与线上监控形成持续反哺的评测闭环。

Sierra 推出 𝜏-i18n 语音智能体多语言评测基准并开源

Sierra 推出并开源了 𝜏-i18n 语音智能体多语言评测基准，将 𝜏-Voice 扩展至西班牙语、巴西葡萄牙语、印地语、韩语和普通话五种新语言。该基准引入了语言包机制，并提供任务完成率、交互表现和生成质量三个维度的独立评估指标。

Artificial Analysis@ArtificialAnlys· 05:29AI 评分2828

在 AA-PersonalityBench 中，Gemini 模型是所有被测模型中最自信、最不可能承认不确定性的模型 ➤ 最自信：Gemini 3.8 Flash (100)、Gemini 4 Argon (97) 和 Gemini 3.1 Pro Preview (95) ➤ 最不可能承认不确定性：Gemini 3.1 Pro Preview (1)、Gemini 4 Argon (4) 和 Gemini 3.8 Flash (6)

ARC Prize@arcprize· 03:53AI 评分3131

来自 @AnthropicAI 的 Claude Sonnet 5.5 在 ARC-AGI（已验证）上的表现： - ARC-AGI-3: 72.4%, $8.2K（provider adapter harness）, 24.3%, $7.4K（standard harness） - ARC-AGI-2: 83.9%, $0.55/task - ARC-AGI-1: 96.5%, $0.14/task Sonnet 5.5 在 ARC-AGI-3 上取得了 72.4% 的高分，备受瞩目。

Artificial Analysis@ArtificialAnlys· 03:53AI 评分3131

两年前的今天，我们推出了 Artificial Analysis Video Arena，这是领先的文本生成视频模型众包对比平台。 自那时起，我们陆续添加了图像生成视频、音视频生成以及视频编辑的排行榜。我们最初的排行榜包含 8 个模型——现在我们已经对 140 多个模型进行了评测。

Artificial Analysis@ArtificialAnlys· 01:45AI 评分6262

四款模型在 AA-3D 场景中离线且未受提示地自发加入了圣家堂魔方。其中 Claude Fable 5.1 和 Sonnet 5.5 将其明显呈现，Grok 4.7 和 Step 5 Preview 则将其隐藏在柱子后方。

Artificial Analysis@ArtificialAnlys· 01:45AI 评分5757

Artificial Analysis 推出的全新基准测试 AA-PersonalityBench 显示，GPT-4o、Llama 4 Maverick 和 GPT-3.5 Turbo 的谄媚度排在最高的前列，而 Grok 4.7、Claude Fable 5.1 和 Inkling 的排名最低。

Artificial Analysis@ArtificialAnlys· 01:45AI 评分4141

HeyGen Voice Turbo 登顶 Artificial Analysis Controlled Voice TTS Arena 榜单首位，Elo 评分为 1,202，此前的前代模型位列第二。该模型定价为 $4/1M characters，在榜单中价格最低，比前代模型便宜 7.5 倍，其发音鲁棒性得分为 87.8%。

OpenRouter@OpenRouter· 01:13AI 评分2222

Tip: see how different routers in the ecosystem benchmark using https://openrouter.ai/benchmarks/routers How different routers cost relative to frontier 👇

Artificial Analysis@ArtificialAnlys· 00:25AI 评分5555

Artificial Analysis 更新了 MLCR-AA 医疗长上下文推理榜单并优化了评测方法，Claude Sonnet 5.5 与 GPT-6 Astra 以 41.7% 的得分并列榜首。评测显示医疗记录审查远未解决，Anthropic 模型在完整性上领先，而 OpenAI 模型在准确性上占优。

Google@Google· 23:05AI 评分4040

Wiz 研究人员对 Gemini 4 Argon 进行了针对复杂网络威胁的测试。 在实际测试中，它发现的漏洞数量是基线模型的两倍以上——捕获了此前 frontier 模型错过的关键风险。 查看他们是如何做到的 ↓

🚨 AI News | TestingCatalog@testingcatalog· 14:01AI 评分6666

ElevenLabs 发布了 Eleven Realtime Max 和 Mini 两款语音到语音模型。Eleven Realtime v1 Max 在 Big Bench Audio 评测中获得 98.8% 的分数且响应延迟为 0.57 秒，v1 mini 则主打低成本自然对话，两款模型均已上线 ElevenAgents 平台并开放 API。

Artificial Analysis@ArtificialAnlys· 13:29AI 评分6262

Artificial Analysis 对采用 Claude Opus 5.5 (max) 搭配 GPT-6 Luna (high) 辅助模型的 Devin Fusion CLI 进行了评测，其在 Coding Agent Index 上得分 68.1。

Google 等发布 e-Conomy SEA 2026 报告预测东南亚数字经济将达 3680 亿美元

根据 Google、Temasek 与 Bain & Company 联合发布的 e-Conomy SEA 2026 报告，东南亚数字经济在生成式 AI 推动下同比增长 17%，GMV 将达到 3680 亿美元。生成式 AI 已覆盖该地区 2.43 亿人，规模化应用正支撑各行业持续增长，并有望在未来五年内推动区域 AI 使用量实现 60 倍激增。

在 2026 年现代 AI 智能体场景下基准测试机器人检测系统

针对传统浏览器自动化、隐身浏览器及 AI 智能体等五类对抗者，最新基准测试评估了 Proof of Human、Google reCAPTCHA v3、hCaptcha、Cloudflare Turnstile 与 Cloudflare Bot Management 的检测性能。

LabRobotBench v0.1：基准测试湿实验室机器人

Gamow Labs 推出了 LabRobotBench v0.1，用于评估前沿 AI 模型在物理空间和复杂生物工作流程中进行故障排除与执行湿实验室实验的推理能力。

OpenAI 报告称 GPT-6 Astra 将 COBOL 迁移准确率提升至 97.9%

OpenAI 发布研究报告称增强了 GPT-6 Astra 等模型构建和迁移 COBOL、Fortran、Visual Basic 等低资源编程语言的能力。结果显示 GPT-6.1 Sol 在高推理强度下的 COBOL 迁移准确率达到 97.9%，MultiLangBench 平均测试通过率大幅提升至 87.4%。

Arena.ai@arena· 07:37AI 评分6262

DeepSeek-V4.1-Flash-20261017 (Max) 登上 Arena 榜单，成为 Agent Arena 和 Code Arena: WebDev 两大榜单的开源模型第一。作者在推文中附上了该模型的 3D 世界生成演示视频及详细排名信息。

Dongxi 东锡 NLP@dongxi_nlp· 05:45AI 评分6262

Dongxi 东锡分享了 Hamel Husain 关于如何使用决策模型做 Evals 的文章。文中提到 TypeSafe 的 Jev、Perplexity 的 Decider、Cloudflare 的 Clef 和 OpenAI 的 Decisions API 等输出概率而非长文本的决策模型，常被用作 LLM-as-a-Judge 的替代方案。

🚨 AI News | TestingCatalog@testingcatalog· 05:13AI 评分6868

Mistral 发布了 Voxtral 3 语音转文本与文本转语音模型家族，其中 Voxtral Small Transcribe 3 在 Artificial Analysis 语音转文本榜单中排名第三，Voxtral 3 TTS 排名前十二。

MiniMax (official)@MiniMax_AI· 04:41AI 评分4949

感谢 Parallel Web System 提供这样一个有意义的数据点~ 是的，MiniMax M3.1 Flash 现在排在搜索能力效率排行榜的第一名。而且它速度很快~

Arena.ai@arena· 04:41AI 评分6262

Meta 发布 Muse Wonder Full (Max) 模型，在 Agent Arena 榜单中以 6.5K+ 真实智能体任务获得 +11.3% 的净提升并升至第 7 名，其所属实验室排名升至第 4 位。新模型在聊天、代码和工作类别中分别位列第 5、第 6 和第 7 名，在多个评估指标上均有明显提升。

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。

Arena.ai@arena· 02:01AI 评分4646

OpenAI 的 GPT-6 Luna、GPT-6.1 Sol 和 GPT-6 Astra 凭借不同的推理档位，在 Agent Arena 帕累托前沿的 11 个席位中占据了 7 席。

fal@fal· 02:01AI 评分6363

fal 发布 FLUX 3 Max 模型，其在第三方人工偏好评测的图生视频 Elo 评分中达到 1139 并与同类模型并列第一。fal Research 目前正在对该模型进行持续后训练以进一步提升质量和性能。

Aravind Srinivas@AravSrinivas· 02:01AI 评分3131

Perplexity Decider pareto-optimal on Financial ClaimBench of Vals AI

Artificial Analysis@ArtificialAnlys· 00:57AI 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。

Artificial Analysis@ArtificialAnlys· 00:57AI 评分6363

Artificial Analysis 发布了 Mistral Voxtral 3 语音模型的评测结果，其中 Small Transcribe 3 语音转文本模型以 2.1% 的 AA-WER 指数位列榜单第 3 名。测试涵盖了流式语音转文本、文本转语音的提供商音色与可控音色、发音鲁棒性以及定价详情。

Artificial Analysis@ArtificialAnlys· 00:41AI 评分5959

Artificial Analysis 发布了对 Bria Fibo 2.0 的评测结果，该模型为 8B 参数的开源权重图像模型，在 AA-Image-Editing v2.1 榜单上登顶开源榜，并在 AA-Image-T2I v2.1 榜单上与 Qwen-Image-2.1 并列领先。

Ai2 发布 FairStress 基准，测出 LLM 决策中的反刻板印象过度纠正

Ai2 推出了用于测量大模型人口统计公平性的新基准 FairStress，能够捕捉模型在面对对抗性提示词时的隐蔽不对称性。测试结果表明，当候选人背景不同时，模型更容易因说服性论据而放弃对少数群体候选人的正确决策，表现出反刻板印象过度纠正现象。

Artificial Analysis@ArtificialAnlys· 00:41AI 评分5252

Artificial Analysis 对 Krea 3 Ultra 进行评测并将其排在 AA-Image-Editing v2.1 第 5 位，其画质接近 Nano Banana 2.1 和 MAI-Image-2.6。该模型提供 Fast 和 Ultra 两种模式，其中 Ultra 模式支持 2K 输出，单次编辑成本为 0.27 美元，在多项评测分类中进入前 7 名。

Artificial Analysis@ArtificialAnlys· 00:41AI 评分5858

Artificial Analysis 对各大模型在 30 个个性特征上的表现进行了聚类分析，发现同实验室模型的人格画像趋同，并形成了 Anthropic 与 OpenAI GPT-6 模型、Google 与 Meta Muse 模型以及早期 OpenAI 模型与 Llama 4 Maverick 等三个新兴家族。

Artificial Analysis@ArtificialAnlys· 00:41AI 评分5959

Artificial Analysis 发布了 Mistral Voxtral 3 系列语音模型的详细评测结果。

Arena.ai@arena· 00:25AI 评分5858

Krea 3 Ultra 现已加入单图与多图编辑竞技场排行榜，并在多图编辑中以 1435 分位列第 4。该模型在多图编辑的商业设计和 3D 分类中排名第 2，在单图编辑中则以 1411 分位列第 8。

Krea@krea_ai· 00:09AI 评分6262

Krea 3 登上图像竞技场榜首，其中 Fast 模式提升了速度与质量的帕累托曲线，Ultra 模式位居前四。