跳到正文
#评测/基准
今天10月26日周一1 条
10月24日周六
  1. TechCrunch · AI62

    研究发现 Grok 与 GPT 在选举候选人选择上呈现明显的政治倾向差异

    一项新研究发现，在强制进行候选人选择的 API 测试中，Grok 4.7 在 92% 的回答中推荐了共和党候选人，而 GPT-6.1 Sol 在 97% 的回答中选择了民主党候选人。研究指出，两款模型在搜索主题、引用的信源以及底层机制上存在显著差异，引发了外界对大模型政治偏见的关注。

    发布时间：
  2. IT之家·人工智能54

    中国信通院发布 2026 年大模型词元服务性能监测报告

    中国信通院发布《大模型词元服务性能监测报告（2026 年）》，指出 2026 年 6 月国内词元日均消耗量约 500 万亿。报告围绕调用成功率、吞吐速度、首词时延、价格及上下文窗口等维度展开分析，显示国内模型平均 TPS 达到 78.23，服务价格较去年明显上涨，且百万级上下文长度占比显著提升。

    发布时间：
  8. Epoch AI：Gradient Updates51

    Epoch Brief：AI 能否自动化 Epoch 自身工作，六款模型实测未过关

    Epoch AI 测试了六款前沿模型在图形设计、报告生成等 11 项真实办公任务中的表现，结果显示尚无模型能完全达到 Epoch 的质量标准。研究还通过 Slay the Spire 测试了模型的复杂长期任务处理能力，并公布了 Gemini 4 Argon 的基准评分以及开源与闭源模型在网络安全能力上的差距。

    发布时间：
  10. Arena.ai27

    来自 @petergostev 的 Kimi K3.1 Pro 初步上手体验出炉了。 我们通过 3D 场景、HTML 动画、网站、UI 构建和研究驱动的页面，对月之暗面的 Kimi K3.1 Pro 进行了测试，并将其与 K3、Opus 5.5、Sonnet 5.5、GPT-6.1 Sol、Gemini 4 Argon 等模型进行了对比。 查看对比结果，并在我们的 YouTube 上找到 Peter 使用的提示词。 https://www.youtube.com/watch?v=rVuwIr4wiPw

    发布时间：
10月23日周五
  3. IT之家·人工智能50

    中国信通院发布《大模型词元服务性能监测报告（2026 年）》，词元均价与吞吐量均翻倍

    中国信通院近日联合发布《大模型词元服务性能监测报告（2026 年）》，指出 2026 年国内大模型日均词元消耗量激增，词元均价与每秒吞吐量均实现翻倍。报告围绕调用成功率、吞吐速度、首词时延、价格及上下文窗口等维度展开监测，为用户选型提供参考。

    发布时间：
  7. Artificial Analysis28

    在 AA-PersonalityBench 中，智能水平较低的模型通常会产生更多的 Slop，但 Slop 在前沿模型之间仍然存在巨大差异 ➤ 智能水平相同但 Slop 排名截然相反：GPT-6 Sol 和 Muse Spark 1.3 在智能指数上的得分都是 48，但在 Slop 排名中分别位列第 1 和第 80 ➤ 智能水平高但 Slop 也高：Muse Spark 1.3（Slop 80）、Qwen3.8 Max（75）和 Gemini 4 Argon（70） ➤ 相对于其智能水平而言 Slop 较低：GPT-6 Luna（4）和 Claude Haiku 5.5（9）

    发布时间：
  13. MarkTechPost62

    Cohere 发布 Rerank 5，新增段落级 Context Focus 与校准相关性分数

    Cohere 发布 Rerank 5 检索重排序模型家族，提供 Pro 和 Fast 两个档位并支持 32K 上下文窗口。该版本新增段落级 Context Focus 功能，可在单次调用中返回带有得分的字符片段以减少传递给大模型的无效 token；同时引入了概率形式的校准相关性分数，降低跨领域设置阈值的复杂度。

    发布时间：
  15. Hacker News-首页62

    12 个 AI 模型对人类的争议性看法测试

    ModelCompare 对 12 个主流 AI 模型进行了三次重复测试，询问它们对人类最具争议的看法。结果显示 35 个回答中有 29 个集中于人类更看重群体归属、地位或叙事而非客观真相。少数模型如 Claude 提出了人类其实比自己想象的更正派等不同观点。

    发布时间：
10月22日周四
  1. Sierra：Blog61

    Sierra 发布 𝜏-Entity 基准，检验语音智能体能否准确采集姓名和电话等实体信息

    Sierra 发布 𝜏-Entity 基准，用于测试语音智能体在不同音频环境和 caller 行为下准确采集姓名、电话等实体信息的能力。基准包含 200 个任务和六种语言，测试结果显示当前语音智能体在面对噪声和多字段交互时仍面临较大挑战。

    发布时间：
  2. Ai2 / Allen Institute for AI56

    Ai2 发布卫星嵌入模型 OlmoEarth v1.3 并开放全球预计算嵌入

    Ai2 宣布推出最新的卫星嵌入模型 OlmoEarth v1.3，并同步分享全球预计算的年度嵌入数据与浏览器端探索工具 OlmoEarth Embeddings Explorer。该模型读取 Sentinel 与 Landsat 卫星时间序列，为地球上每个 10 米像素生成 128 维向量，其训练成本较前代大幅降低且在多项评估中表现领先。

    发布时间：