评测跑分

Exa 推出 3.0 版搜索 API，升级嵌入模型、新增低价档 Exa Lite 与 Dynamic Highlights，并在其自建的八项基准上领先 Perplexity、Brave 和 Parallel。

OpenAI 披露 Terminal X 的 Eval Agent 以 54 项标准评分，在 GPT-6.1 Sol 加持下对基金委托要求的偏离识别率提升 25%，与资深投资人判断一致度达 88.6%。

Inception发布Mercury 3扩散语言模型，宣称推理速度达每秒1068个token、支持100万token上下文，并在自家对比表中于12项基准的8项领先GPT-6 Luna与Claude Haiku 5.5。

Hugging Face 首席政策官 Irene Solaiman 指出，AI 评测方法本身仍不成熟，把评测器嵌入模型内部并非易事。这背后是基准测试公信力与利益冲突的老问题。

OpenAI 宣布提升 ChatGPT 在低资源编程语言上的表现，并针对软件工程、SQLite 与 COBOL 迁移推出新的评测。这既是能力补强，也指向存量系统现代化这块长期被忽视的市场。

Mistral 发布 Timestral 时间序列基础模型家族，参数覆盖 5M 到 209M；其中 209M 版本在 GIFT-Eval、TIME、fev-bench 三个基准的零样本评测中领先，并可在 CPU 上运行。

新基准Taste-Bench测试AI智能体在长周期任务中的策略选择能力，最强模型GPT-5.6 Sol在简单二选一问题上正确率不足60%，且延长思考时间并无帮助。

Google Research 开源 Apache-2.0 框架 Harness2，在测试阶段递归重写智能体的 harness，单次精炼即让 GLM-5 在 WorkBuddy-Bench 上提升 11.5 分，且无需更新模型权重。

一项在 Hacker News 引发讨论的观点指出，美国职场约九成工作时间花在 AI 基准测试难以覆盖的任务上，跑分与真实生产力之间存在结构性错位。

Elorian 发布首个 AI 模型 Glimpse，主打“用图像推理”而非“对图像推理”。官方评测称其在科学图表理解和短视频字幕任务上超过 GPT-6 Astra，其他视觉推理任务也具竞争力。

Google DeepMind 的 Gemini 4 Argon 在 ARC-AGI-3 上以 97.5% 成为第二个跨过 95% 门槛的模型，但换用标准测试框架后分数跌至 49.8%，且在数学与软件工程任务上仍落后于对手。

Liquid AI 推出多模态决策模型 d1-ultra，可同时处理文本与图像，在一次前向传播中返回校准概率，在 Artificial Analysis 决策指数上得分 65，输入价格低至每百万 token 0.042 美元。