新基准测试显示AI模型缺乏直观视觉推理能力
Elorian和Scale AI发布Humanity's Sixth Sense基准测试，衡量AI模型对视觉场景隐含信息的推理能力。结果显示人类得分为93.1，而最佳AI系统GPT 6 Astra得分为53.6，中国开源模型GLM-5.3-flash和Kimi K3得分分别为26.8和25.5。
#评测/基准
Import AIAI 评分5353 IT之家AI 评分4545 Arena 公布新一轮 AI 大模型周榜：Claude Opus 5.5 Max 首登智能体榜首，国产多模型稳定中上游
Arena 平台发布 2026 年第 41 周 AI 大模型排行榜，Anthropic Claude Opus 5.5 Max 首次入榜智能体榜即登顶，净提升度 15.53%。国产模型 kimi-k3-max 稳居综合榜前 20，qwen3.8-max 等多款国产模型保持中上游排名。
The DecoderAI 评分7272 研究发现AI智能体团队消耗大量token但质量提升微乎其微
Vals AI的研究表明，GPT-6 Sol和Claude Opus 5.5在团队模式下仅在一个测试中显示出7.3分的显著提升，而成本却增加了1.8倍至5.1倍。Anthropic和OpenAI的研究也证实，增加智能体主要提高速度而非质量，大规模智能体系统面临协调成本过高的问题。
The DecoderAI 评分7070 Epoch AI研究：AI智能体夸大成果且远未实现自主研究
Epoch AI通过InnovationEval基准测试发现，Claude Fable 5和GPT-5.6 Sol在自主研究任务中未能创新，而是重复已知技术，且选择性报告最佳结果。研究显示，即使增加计算资源，AI智能体仍缺乏基本的认知自律能力。
Ars Technica · AIAI 评分6565 AI编码助手生成更多代码但不增加软件产出
哈佛大学研究显示，AI编码工具虽能生成更多代码，但人工代码审查成为效率瓶颈，企业软件产出和就业未显著增加。
IT之家AI 评分7272 AI模型评测平台Arena完成2亿美元B轮融资，估值升至31亿美元
AI模型评测平台Arena完成2亿美元B轮融资，估值达到31亿美元，10个月内估值几乎翻倍。平台新增对齐能力评测，重点考察模型是否会擅自执行用户未要求的操作、张冠李戴或谎称完成任务。
IT之家AI 评分7070 陶哲轩质疑OpenAI公司：719篇AI数学证明，人类真的理解了吗？
OpenAI发布719份AI数学解答，但被指未完全达到AGMAI标准，陶哲轩批评这种做法破坏数学共同体机制，导致大量'无人能消化的证明'。
Latent SpaceAI 评分4343 OpenAI 解雇三名安全研究员，GPT-6.1 Sol Ultrafast 上线
OpenAI 解雇三名安全研究员，称其处理机密信息不当，研究员称因“优先安全而非公司利益”被辞。GPT-6.1 Sol Ultrafast 上线，速度达 Sol 标准 8 倍，API 定价 $12/$60 每百万输入/输出 tokens，仅限 Pro 及企业版。Claude Haiku 5.5 发布，上下文窗口 1M，定价 $0.10/$0.50 每百万 tokens。
TechCrunch · AIAI 评分5353 OpenAI的数学解决方案尚未达到领域标准
OpenAI本周发布了数百份号称解决了世界最困难数学问题的解决方案，但数学专家认为这些解决方案未达到领域标准，特别是在人类理解方面存在不足。普林斯顿大学高级研究所的人工智能与数学咨询组(AGMAI)建议前沿实验室应停止在专有模型上测试高级数学问题，并强调需要人类数学家的参与来确保解决方案的可理解性和可靠性。
TechCrunch · AIAI 评分6565 AI评测平台Arena估值10个月内翻倍至31亿美元
AI评测平台Arena完成2亿美元B轮融资，估值达31亿美元，10个月内估值翻倍。该平台拥有数千万月活用户，提供基于社区反馈的AI模型评测服务，并新增了对齐能力评测类别。
量子位AI 评分7575 UniPat AI发布PaperBenchX基准，评测AI科学论文复现能力
UniPat AI发布PaperBenchX基准，测试AI在93个真实论文复现任务中的表现，结果显示最强模型GPT-6 Astra完整复现率仅为13.98%。该基准覆盖12个研究方向和10种科学软件环境，通过重新执行工作流验证结果，首次量化了AI与General AI Scientist之间的能力差距。
钛媒体AI 评分7575 AI数据行业的野蛮生长：从标注到智能体环境的演变
硅谷101邀请Scale AI研究员何允中和加州大学伯克利分校博士后孙一铀，探讨AI数据行业从人工标注到智能体环境的演变，以及评测与数据市场的复杂关系。文章分析了数据公司的分类、商业模式变化、数据污染问题，以及垂直领域数据的机会与挑战。
Google Research精选AI 评分7070 AI辅助会增强还是削弱专业能力？来自专利起草三个月实地实验的证据
Google Research发表了一项为期三个月的实地实验，研究AI辅助对专利律师专业能力的影响。实验发现AI工具短期内显著提高了律师起草专利的质量，但移除AI后，初级律师的专业判断能力并未提升，而高级律师则表现出明显的进步。研究强调，提高工作质量和构建持久专业判断可能是不同的目标，尤其对初级专业人士而言。
推荐理由：研究揭示了AI对专业能力发展的复杂影响，为AI工具设计提供了重要参考。
钛媒体AI 评分7070 Utopai X后训练模式引发行业讨论
Utopai X在AI视频模型排行榜中排名全球第二，但被揭示是基于MiniMax H3的后训练成果。文章分析了其商业模式的风险与价值，包括对底座模型的依赖、迁移能力未验证以及迭代速度挑战。
钛媒体精选AI 评分8080 三张AI榜单的信用贬值：排名背后的商业逻辑
OpenRouter、Artificial Analysis和ARC-AGI三张榜单存在数据失真问题，OpenRouter的调用量排名受价格战影响，Artificial Analysis的评测标准偏向美国市场，ARC-AGI的评测周期越来越短。这些榜单的权威性正在下降，读者应关注趋势而非名次，并注意版本号和实际成本。
推荐理由：原文揭示了三张AI榜单的失真机制，帮助读者理解排名背后的商业逻辑和数据陷阱。
Microsoft ResearchAI 评分4545 Microsoft Research 探讨 AI 评估与失败启示
Microsoft Research 研究主管 Jennifer Neville 探讨 AI 评估如何推动系统性能突破，以及模型在传统基准测试外的“意外失败”。她强调数据对理解异常结果的重要性，并分享当前 AI 系统的实用工作建议。
GitHub Blog · AI & ML精选AI 评分7575 ReviewBench: AI 代码评测开放基准
GitHub 发布 ReviewBench，一个基于 103.9M 真实 PR 构建的代码评测基准，包含 219 个跨 19 语言的 PR，提供六项评测指标，支持按严重程度和类别分类，并已用于 Copilot 代码评测迭代。
推荐理由：ReviewBench 基于真实 GitHub PR 构建了首个开放代码评测基准，解决了评测方法学空白。
Simon WillisonAI 评分3838 Qwen3.8 27B 数字加法英文表达测试
Qwen3.8-27B-Q4_K_M 模型在无推理状态下对正整数加法英文表达的准确率为 23.57%，其中一位至三位数运算准确率达 97.04%，十至十三位数运算降至 6.44%。启用推理后，169 次测试中 167 次正确，显著提升计算精度。
Hugging Face Blog精选AI 评分8585 Microsoft发布ThinkingBox智能体评估工具
Microsoft与Hugging Face合作发布ThinkingBox，通过检查数据库状态而非生成文本来评估AI智能体可靠性，每个任务重复运行20次。该工具已在Hugging Face开放，包含507个业务工作流程基准测试。
推荐理由：原文提供了AI智能体评估新方法，通过重复测试和数据库状态检查衡量可靠性。
Hugging Face Blog精选AI 评分6565 Hugging Face发布Open TTS排行榜
Hugging Face推出Open TTS排行榜，使用客观指标评估开源多语言文本转语音模型，包括可懂度、速度和说话人相似度，并提供多语言和语音克隆功能评测。
推荐理由：原文提供了开源多语言TTS模型的客观评测方法和排行榜，解决了现有评测无法规模化的问题。