跳到正文
#评测/基准
10月21日周三
10月20日周二
  3. IT之家·人工智能52

    DeepSeek-V4.1-Flash-1017 登顶 Agent Arena 与 Code Arena WebDev 开源榜

    深度求索发布的 DeepSeek-V4.1-Flash-1017 登顶 Agent Arena 以及 Code Arena: WebDev 开源模型榜单，总榜排名第 11。该模型基于 7498 次真实使用会话取得 5.13% 的综合净改善指标，其任务成功确认、用户正负反馈和 Bash 命令执行可靠性均位列开源模型第一，单任务成本中位数约为 0.18 美元。

    发布时间：
  7. MarkTechPost66

    Nace AI 发布 Drex Max 多模态决策模型

    Nace AI 推出了 Drex Max 多模态决策模型，面向计算机使用智能体，支持读取文本和图像并返回校准概率分布。该模型在 Decision Index 0.3.2 上取得 67.59 分，API 定价为每百万输入 token 0.06 美元且不收取输出费用。

    发布时间：
  9. Hacker News-首页54

    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：
  11. TechCrunch · AI28

    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：
  12. OpenAI News72

    OpenAI 发布多款新模型并推出低资源编程语言编码评测

    OpenAI 推出了最新模型，大幅提升了在 COBOL、Fortran 和 Visual Basic 等低资源编程语言中的软件构建与代码迁移能力。

    发布时间：

    推荐理由：原文公布了新模型在低资源编程语言和代码迁移上的具体评测基准与性能提升，读者可以据此评估模型在维护和现代化遗留系统时的实际能力。

  17. Artificial Analysis23

    请注意，这不是我们的 Intelligence Index。该公告还提到了 AA-Omniscience 和 GDPval-AA v2 的得分，这些得分不遵循我们的方法论，且无法与 Artificial Analysis 上的得分进行对比。 AA-Omniscience 使用了一个私有数据集（尽管我们开源了其中 10% 的公共子集），而 GDPval-AA v2 需要使用我们的评分方法论和模型对比集才能具备可比性。

    发布时间：
  20. Artificial Analysis44

    AA-PersonalityBench 是一个用于评估大语言模型个性与沟通特征的新基准，涵盖 30 种个性特质和 21 种沟通特征。该基准通过 900 道精选问题，对模型的 8 个个性指数及长度、结构、标点、强调等沟通维度进行全面评测。测试结果展示了不同模型在各项指标上的具体表现，帮助用户根据不同应用场景选择最合适的模型。

    发布时间：
  21. The Decoder60

    MiniMax 发布 M3.1 Flash 推理模型

    MiniMax 发布 M3.1 Flash 新推理模型，在 Artificial Analysis Intelligence Index 上从 29 分跃升至 42 分，同时将每任务成本降至约 0.22 美元。该模型支持 100 万 token 上下文并接受图文输入，计划于 10 月 23 日开源权重。

    发布时间：
10月19日周一
  1. Modal 官方工程博客41

    Modal 实测 NVIDIA Vera CPU：高负载下沙箱吞吐翻倍

    Modal 团队实测 NVIDIA 推出的大 Arm 兼容 CPU Vera，发现在高负载下沙箱吞吐量实现翻倍。该测试采用包含 50 个终端基准任务的 Agentless Agent Bench，模拟智能体与强化学习中的并发和异构工作负载。测试表明，该芯片在应对容器资源争抢等高压场景时表现出色的性能。

    发布时间：
  5. X Square Robot62

    自变量发布了用于通用机器人策略的 sim-to-real 基准 X2Real，该基准构建于 NVIDIA Isaac Lab-Arena 之上，包含 10 个能力维度和 44 个分层长期任务。平台支持在环境外观、任务设置和机器人具身 3 个 OOD 轴上测试策略，且在仅用真实世界数据训练的策略上实现了 0.84 的仿真与现实评估线性相关性。

    发布时间：
  6. IT之家·人工智能21

    Arena 2026 年第 42 周 AI 大模型周榜：kimi-k3-max 首进代码榜前十，mimo-v2.6-pro 入前端开发榜前 20

    Arena 平台发布 2026 年第 42 周 AI 大模型盲测排名，国产模型 kimi-k3-max 首次稳定在代码榜前十，mimo-v2.6-pro 首次进入前端开发榜前 20 位列第 19。综合榜头部保持稳定，gemini-4-argon-high 以 1525 分蝉联榜首，gemini-3.5-flash-medium 作为新入榜模型位列综合榜第 30。

    发布时间：
  7. Hacker News-首页21

    DeepSeek V4.1 Flash 1017 (Max)

    DeepSeek V4.1 Flash 1017 (Max) 模型上线，通过智能能力指数、开放度指数以及智能指数进行性能对比。评测指标涵盖 Token 使用成本、上下文窗口、输出速度与首字延迟等维度。同时针对开源模型纳入了模型规模评估。

    发布时间：
  9. Hacker News-首页61

    开发者推出专门对抗大模型和编码智能体的编程语言 KillSwitch

    开发者 dom96 推出了专为对抗大模型和编码智能体而设计的深奥编程语言 KillSwitch，其规范包含隐藏规则、字符计数限制及安全护栏触发机制。该项目开源了解释器并公布了主流模型的基准测试排行榜，其中 Claude Opus 5 表现最好，得分最高达到 66.8。

    发布时间：