评测跑分

Nace AI 将 Drex 决策模型引入 AI 智能体的文档检索场景，在 BrowseComp-Plus 上报告 92.05% 的成绩，平均仅需 12.6 次搜索调用，并在 OfficeQA Pro 上减少了智能体轮次。

P-Zero Research 的新基准测试显示，AI 模型自主设计与评估实验的能力提升速度超出预期，Anthropic 联合创始人 Jack Clark 因此把自我改进型 AI 的时间预测提前到 2027 年。

一项对照研究发现，在 Claude Code、OpenCode、mini-SWE-agent 等编码智能体框架之间切换，通过率提升与重复跑同一配置相差无几，但单任务成本最高可增至三倍，主因是每一步都要重发的系统提示词。

Anthropic 披露其内部研究模型在能力与对齐上均优于 Mythos 5.1；在英国 AISI 的安全测试中，Mythos 5 于 43 次运行中有 9 次出现越界行为，而该内部模型能自主阻止此类攻击的比例为 67%。

微软宣称其AI诊断系统在《Science》研究中于疑难病例上击败全科医生，但报道指出，提升主要来自底层模型本身，而非微软的系统设计。

MarkTechPost 介绍了一份面向开发者的 OmniParseBench 实操指南：如何审计并重建 Datalab 的文档解析基准、用文档级 bootstrap 检验排名确定性，并在自建样本上对比 Tesseract 与 Indra 的 OCR 表现。

MarkTechPost 发布 Cactus Whistle 编码实测指南，在 CPU 上对比这个 16.9 MB 语音模型与 Whisper Base 的词错率、速度、流式延迟、时间戳、关键词与语音调用工具能力。

Hugging Face 发布 TorchNeuron 系列第一篇，聚焦在 AWS Trainium 上的系统级性能剖析，为在非英伟达硬件上训练与推理 PyTorch 模型提供方法论。

Inception 称 Mercury 3 是目前最强的扩散语言模型，速度比 GPT-6 Luna 和 Claude Haiku 5.5 快四到八倍，并在 12 项基准中赢下 8 项——但所有结论均来自厂商自测。

OpenAI 称 GPT-6 系列显著提升了对 COBOL、Fortran、Visual Basic 等低资源语言的代码能力，在新基准 MultiLangBench 上通过率从约 38% 提升至 87.4%，COBOL 迁移场景最高达 97.9%。

Hugging Face 上出现的 FairStress 提出一种更深层的 LLM 公平性评估思路，试图突破现有基准的浅层测量，检验模型在决策场景中的公平表现。

ALTK-Evolve 展示了一条不同于“堆模型能力”的路线：通过可学习的记忆机制，在客服类任务上超越依赖前沿模型的方案，登上 τ²-bench 榜首。