评测跑分

Vals AI 对 25 个模型的政治立场评测显示，中国模型对政治问题的回答并不像预期那样整齐划一，西方模型偶尔也会贴近北京官方立场，而提示词语言对回答倾向的影响尤其显著。

Google 团队构建了能在做饭、组装家具时按需出声的视频智能体 StreamVibe，但基准测试显示现有模型在长视频中难以判断“何时该开口”，错误会累积、回答质量骤降。

一项在 Hacker News 引发讨论的统计显示，AI 回答中引用的统计数据仅约 40% 能回溯到原始研究，暴露出大模型在事实溯源上的系统性短板。

Gemini 4 Carbon 以 106 分成为 Artificial Analysis Intelligence Index v5 榜首，这一第三方评测结果值得放在榜单机制与模型竞争格局中解读。

谷歌发布新一代前沿模型 Gemini 4 Carbon，宣称在编程、智能体任务与网络安全上取得显著提升，并称其在 Artificial Analysis 智能指数 v5.0 上排名第一，领先 Claude Opus 5.5 与 GPT-6 Astra。

Google DeepMind 在 Gemini 4 Argon 发布仅两周后推出 Gemini 4 Carbon，以 59 分登顶 Artificial Analysis 智能指数 v5，主打长时程智能体工作流与网络防御全流程，因安全能力较强而先向部分安全专家开放。

Google DeepMind 推出前沿模型 Gemini 4 Carbon，在 Artificial Analysis 智能指数拿到 59、SEC-bench Pro 达 88.2%，首批访问权优先开放给经过审核的网络安全防御方，定价为每百万 token 输入 2 美元、输出 10 美元。

Artificial Analysis 重构其 Intelligence Index 评测体系，导致 Kimi K3.1 Pro 排名下滑五位。这次改版不只是名次变动，更可能重新定义开源与闭源模型之间的能力鸿沟。

Mirendil 推出自研首个模型 Fern 0.1，从零预训练、支持 1000 万 token 上下文，主打智能体 AI 研发场景，在 RULER 单针检索上拿到满分，但智能体编程能力仍落后前沿模型。

WIRED 记者对六款主流 AI 代理进行一日实测，从 Meta 的 Muse 到 Anthropic 的 Claude Duet，按基础任务完成度排名，揭示当前代理产品的真实能力差距。

GPT-6.1 Terra (Max) 在第三方评测平台 Artificial Analysis 上录得 48 分，较此前水平提升 11 分。这一变化值得从评测口径与竞争格局两个层面来读。

Nace AI 将 Drex 决策模型扩展到面向 AI 智能体的文档搜索，官方称在 BrowseComp-Plus 上以平均 12.6 次搜索调用取得 92.05% 的成绩，并在 OfficeQA Pro 上减少智能体轮次。