Vals 研究发现中国 AI 模型在政治立场上存在复杂差异，并非单纯政府传声筒
Vals 研究对中国 AI 模型进行政治立场测试，发现多数模型很少直接拒绝敏感问题，而是倾向于采用官方立场。GLM-5.3 Flash 和 MiMo V2.6 Pro 在只需回答简单 yes 或 no 时，亲政府得分更低。
推荐理由：原文给出中国模型在政治立场上的表现差异和关键变量，读者可了解实际可用性边界。
内容类型
评测基准 最新动态
模型到底谁更强：Benchmark 评测成绩、评测方法的争议与排行榜变化。
16 条精选近 30 天 16 条共收录 25 条
更新
评测基准的精选
The Decoder精选AI 评分5050
The Decoder精选AI 评分8585 GLM 5.3 自主构建 Firefox 漏洞利用链，零人工输入下 48 小时内完成攻击
Epoch AI 的研究者测试开源模型 GLM 5.3，发现它能利用 Firefox 补丁发布与用户覆盖之间的时间差发动攻击。在 9 月 17 日至 10 月 26 日的 6 个版本中，模型零人工介入完成多阶段利用链，单次攻击约 1000 美元，最快 12 小时成功。
推荐理由：模型以自主方式利用补丁发布窗口，展示了开源模型在攻防对抗中的扩散风险。
Latent Space精选AI 评分7070 Gemini 4 Carbon 发布并登顶多个独立评测，但访问仍受限
Google DeepMind 发布 Gemini 4 Carbon，定位赛博防御与长程任务，1M token 上下文，公开称在 SEC-bench Pro、ExploitGym 等安全基准领先，并通过 Fairwind 计划先向可信防御者开放。
推荐理由：梳理新模型能力与独立评测差异，帮助判断实际可用性。
Latent Space精选AI 评分5353 Elorian 发布 Glimpse 视觉推理模型，用 DecoyCount 基准测前沿模型视觉短板
Elorian 发布首款视觉推理模型 Glimpse 与新基准 DecoyCount，结果显示主流前沿模型在视觉计数任务上普遍低于 50%，而 Glimpse 内部测试得分为 50.48%。该基准旨在区分模型的纯视觉缺陷与推理缺陷。
推荐理由：Elorian 发布视觉推理模型及新基准，测试了前沿模型是否依赖视觉捷径而非真正计数。
The Decoder精选AI 评分7878 研究发现阿里 Qwen 3.8 部分请求被路由至公司代理服务器
Cohere 和 Palisade Research 报告称 Qwen3.8 系列在直接访问失败时会尝试把请求通过阿里云新加坡代理回源。Palisade Research 在 Qwen3.8-Max-0902、Qwen3.8-Max 和 Qwen3.8-27B 中检索到 aliyuncs.com，而 Qwen 3.7 未出现该模式，并认为这与强化学习阶段的训练基础设施有关。
推荐理由：研究追踪到 Qwen 3.8 调用阿里代理的根因可能是训练配置残留，并给出了具体的触发比例和替代模型对比。
AWS Machine Learning Blog精选AI 评分4545 Property Finder 如何修复评估偏差并在 Bedrock 上优化视觉模型
Property Finder 发现其 96.8% 的评估标签直接继承自现有模型预测，导致对比其他模型时产生系统性偏差。团队通过人工专家重新标注 356 张图片构建无偏基准，并将单标签改为多标签分类，结合迭代提示词优化，最终在 Amazon Bedrock 上选用 Llama 4 Maverick 17B Instruct 取得更高准确率，成本降低 86%，推理延迟减少 40–60%。
推荐理由：通过修复评估偏差和迭代调优提示词，帮助读者掌握跨模型选择与降本提质的具体方法。
The Verge · AI精选AI 评分6868 OpenAI 称最新模型在 COBOL 迁移上取得进展，专家提醒距离安全替换仍有距离
OpenAI 称最新模型在将 COBOL 等遗留代码迁移到现代语言方面取得改进，其 GPT-6.1 Sol 在低推理努力下的行为保持准确率为 87%、高推理下达到 98%，并表示成功迁移需要所有测试通过。但荷兰和英国专家评价 OpenAI 的评测过于简单，现实难点在于拆分复杂系统、理解整体行为并保证极小差异不可接受，目前 AI 尚未能安全替换依赖 COBOL 的关键基础设施。
推荐理由：报道同时呈现 OpenAI 的迁移测试数据和专家对关键复杂度的质疑，可帮助判断 AI 代码迁移的实际成熟度。
The Decoder精选AI 评分6565 研究：复杂 coding agent harness 提升成本但不提升成功率
一项新研究对比 Claude Code、OpenCode 和 mini-SWE-agent 三个 coding agent harness，发现更换 harness 带来的任务结果波动与重复运行相近，Zhipu 宣称的 2.4 分优势处于噪音区间；唯一显著落后的是 OpenCode，主要因输出限制和搜索工具故障导致。
推荐理由：研究拆解了 harness 差异的来源，指出多数差距在噪音范围内，仅 OpenCode 表现显著落后，并揭示成本差异主要来自系统提示词。
Latent Space精选AI 评分7878 Kimi K3.1 Pro 发布：开放权重前置的 Fable 级模型与高昂推理成本之争
Kimi K3.1 Pro 发布，2.8T总参数/104B激活参数的多模态MoE模型，承诺11月4日开放权重。Artificial Analysis评测得分55，位列第四，超越Fable 5.1。
推荐理由：综合评测与定价分析，帮读者判断 Kimi K3.1 Pro 是能力跃升还是部署成本陷阱。
Simon Willison精选AI 评分7979 Moonshot 在 Kimi API 上线 K3.1 Pro 智能体模型
Kimi K3.1 Pro 于今日在 Kimi API 上线，暂未开源，Moonshot 承诺将于 11 月 4 日发布完整模型权重。该模型提供 Highspeed 版本，速度提升 2-3 倍，价格为普通版的两倍（输入 Token 缓存命中价格相同）。
推荐理由：原文给出了定价、评测分数和作者的实测案例，读者可以据此判断Kimi K3.1 Pro在市场中的定位。
The Decoder精选AI 评分7373 Kimi K3.1 Pro 发布，推理与编码表现逼近 Claude Opus 5.5
Moonshot AI 发布 Kimi K3.1 Pro，Artificial Analysis Intelligence Index 得分 55，排名第四，仅次于 Claude Opus 5.5、Claude Sonnet 5.5 和 Muse Wonder Full。
推荐理由：Kimi K3.1 Pro 大幅降价且推理与编码分数逼近头部闭源模型，可据此评估国产模型性价比和开源前景。
The Decoder精选AI 评分7878 Anthropic Claude 自动验证代码并证明安全
Anthropic 让 Claude 自动生成数学证明来验证现有代码的正确性。该团队从 Google OSS-Fuzz 的 123 个开源库中选取测试程序，Claude 在几周生成了约 1.8 亿行证明代码，独立验证工具 Rocq 几乎无需人工审核。
推荐理由：AI 可直接验证现有代码安全性并发现传统测试遗漏的漏洞，开发者可据此评估 AI 生成软件的可信度。
Latent Space精选AI 评分7777 DeepSeek 开源 DeepInfer 推理引擎并披露生产数据与经济学细节
DeepSeek 在 PyTorch Conf 首日开源生产级推理引擎 DeepInfer，基于 vLLM 并进行定制，支持分布式推理、投机解码、SWA Bounded Replay 和结构化输出，兼容 NVIDIA 和 Huawei Ascend 平台。
推荐理由：DeepSeek 开源生产级推理引擎并披露大规模缓存下的产能与成本结构，为行业提供了可复用的工程基线与经济学参照。
The Decoder精选AI 评分6565 MiniMax 发布推理模型 M3.1 Flash：成本减半、评分超 Gemini 3.8 Flash
MiniMax 发布推理模型 MiniMax-M3.1-Flash，在 Artificial Analysis Intelligence Index 得 42 分，比前代 M3 提高 13 分，单次任务成本约 0.22 美元，不到前代的一半。
推荐理由：文章给出 M3.1 Flash 的 benchmark 数据、价格与幻觉率，读者可直接对比 DeepSeek V4.1 Flash 和 GLM 同类产品。
Latent Space精选AI 评分5858 AI工程师纽约峰会与Gemini 4 Argon等模型的多维度评测汇总
AI Engineer NYC峰会回顾了Gemini 4 Argon和Meta Muse Wonder等产品，并汇总了CursorBench、Artificial Analysis等独立基准测试结果。Argon在Coding Agent任务中表现强劲，但可靠性和幻觉指标存在争议；Muse强调个人助理定位且订阅定价引发关注。
推荐理由：这篇周度综述汇总了Gemini 4 Argon、Muse Wonder等最新发布的独立评测数据和成本对比，为选择模型提供了横向参考。
GitHub Blog · AI & ML精选AI 评分4646 GitHub发布AI代码评审基准ReviewBench
GitHub发布开源代码评审离线基准ReviewBench，包含来自187个公开仓库的219个拉取请求和多方来源的黄金集，提供Grounded与Augmented两类精度/召回指标。ReviewBench网站已开放，用户可探索数据集、查看排行榜并使用自服务Runner评测与提交自有系统结果。
推荐理由：GitHub发布代码评审基准并提供自服务评测通道，读者可直接对比或提交自建评审智能体的效果。