OpenRouter 实测 20 个图像生成模型的成本、编辑与质量
OpenRouter 对其路由的 20 个图像生成模型用相同提示词实测计费，单张图片成本在 $0.006 到 $0.134 之间，相差 22 倍。
推荐理由：OpenRouter 用同一提示词实测 20 个图像生成模型的真实计费，读者可以借此绕开各不相同的计价单位直接比较成本。
#评测/基准
#评测/基准
今日 0 条OpenRouter：Announcements（RSS）精选AI 评分7171
Artificial Analysis@ArtificialAnlysAI 评分5454- Artificial Analysis@ArtificialAnlysAI 评分6767
Arena.ai@arena精选AI 评分6969推荐理由：榜单给出四款新模型在图像生成网站任务上的排名和每百万 token 价格，可据此比较性能与成本差异。
Trail of Bits：AI安全研究精选AI 评分6161 Trail of Bits 批评 1Password 的 AI 补丁基准存在误导，并发布两个补丁验证 Agent 技能
Trail of Bits 发文批评 1Password 8月6日发布的 FLAWED 报告，称其 26% 的 AI 干净修复率受四项实验设计选择影响而失真，包括刻意指示智能体应用错误修复的提示词占 22% 数据、36% 的试验禁止编译测试，以及不同推理档位设置。
推荐理由：原文针对1Password基准的26%头条数字给出逐项方法学批评，并补充自身人类修复失败率与开源合并数据作对照。
- Artificial Analysis@ArtificialAnlys精选AI 评分6666
推荐理由：原文给出语音到语音模型的完整分数、速度和成本对比，读者可据此在不同后端配置间做选型判断。
- Arena.ai@arenaAI 评分5858
- Arena.ai@arena精选AI 评分6767
推荐理由：原文给出开源模型成本与成绩的完整对比，读者可以据此评估 DeepSeek-V4.1-Flash 在性价比上的位置。
- Arena.ai@arenaAI 评分6565
Fireworks AI（网页）AI 评分5151 Fireworks 评测 2026 年九款最佳开源 LLM，GLM 5.2 与 Kimi K3 领跑基准
Fireworks 发布 2026 年开源 LLM 选型指南，覆盖 GLM 5.2、Kimi K3、Kimi K2.7 Code、DeepSeek-V4-Pro/Flash、MiniMax M3、Qwen3.7 Plus、gpt-oss-120b 和 Gemma 4 31B IT 九款模型。
Epoch AI：研究、数据与评测精选AI 评分6060 Epoch AI 评审 ExploitBench v0.1：基于 41 个真实 V8 漏洞的利用基准评测
Epoch AI 发布对 ExploitBench v0.1 的基准评审，该基准用 41 个真实公开 V8 CVE，按 5 层 16 项可验证能力阶梯为模型打分，最高到任意代码执行（ACE）。
推荐理由：Epoch AI 独立评审 ExploitBench 的评分设计与局限，读者可借此理解如何解读该基准的模型分数与污染风险。
- Artificial Analysis@ArtificialAnlysAI 评分6464
- Artificial Analysis@ArtificialAnlysAI 评分7676
- Artificial Analysis@ArtificialAnlysAI 评分5454
Epoch AI：研究、数据与评测精选AI 评分6161 Epoch AI 评测 HealthBench Professional：50 个抽样任务中一半存在问题，判为 Flawed
Epoch AI 对基于 OpenAI HealthBench 的 HealthBench Professional 基准发布评测，从 525 个任务中分层随机抽样 50 个。
推荐理由：Epoch AI 抽检了 OpenAI HealthBench Professional 的任务质量，读者可以据此看待该基准分数的可靠性。
Epoch AI：研究、数据与评测AI 评分6060 Epoch AI 审查 BFCL v4 基准，抽样 50 题发现 48% 存在缺陷
Epoch AI 对 Berkeley Function Calling Leaderboard（BFCL）v4 进行质量审计，从 5,088 道题中按类别权重分层抽取 50 题，发现 24 题（48%）存在可能导致误判的缺陷。
Epoch AI：研究、数据与评测AI 评分5757 Epoch AI 公布 Benchmark Reviews 收录基准列表及审查判定结果
Epoch AI 发布 Benchmark Reviews 文档，列出已审查基准及判定结果，其中 SWE-bench Verified、Terminal-Bench 4.0.0。
OpenRouter：Announcements（RSS）精选AI 评分7171 OpenRouter 评测 Seedance 2.5：长镜头与已有素材编辑的场景及成本解析
OpenRouter 发布对 ByteDance Seedance 2.5 视频模型的评测，该模型自 2026 年 8 月 7 日上线其视频 API，生成 4 到 30 秒、480p 或 720p 的片段，支持图像、视频、音频引用和首尾帧控制，音频同趟生成不加价。
推荐理由：原文基于自家端点数据给出 Seedance 2.5 的计费公式、能力边界和与 Seedance 2.0、Wan 3.0、Veo 3.1 的逐项对比，便于按需求选型。
- Artificial Analysis@ArtificialAnlysAI 评分5555
Artificial Analysis 完整文章（网页）AI 评分5757 Artificial Analysis 评测 OpenBMB MiniCPM5-2B，登顶 4B 以下开源权重模型
Artificial Analysis 评测显示，OpenBMB 的 MiniCPM5-2B 在 Intelligence Index v4.2 得分 15，为总参数量 4B 以下开源权重模型中最高。
Artificial Analysis 完整文章（网页）AI 评分5353 Artificial Analysis 发布 Intelligence Index v4.3，引入 Terminal-Bench v4 与 AutomationBench-AA
Artificial Analysis 发布 Intelligence Index v4.3，将 Terminal-Bench 从 v2.1 升级到 v4，并用与 Zapier 合作、含 657 个私有测试任务的 AutomationBench-AA 替换 𝜏³-Banking。
- Artificial Analysis@ArtificialAnlysAI 评分5353
- Artificial Analysis@ArtificialAnlysAI 评分6161
Epoch AI：研究、数据与评测AI 评分5858 Epoch AI 评测 Terminal-Bench 4.0.0：45.5% 任务存在公开计分缺陷，定为 Flawed
Epoch AI 发布对 Terminal-Bench 4.0.0 的基准评测，因 66 个任务中 30 个（45.5%）存在公开记录的计分缺陷而将其定为 Flawed。
- Artificial Analysis@ArtificialAnlysAI 评分7070
- Artificial Analysis@ArtificialAnlysAI 评分6161
- Artificial Analysis@ArtificialAnlysAI 评分5959
Epoch AI：研究、数据与评测精选AI 评分6969 Epoch AI 评测 SWE-bench Verified：审计发现超两成题目存在评分问题
Epoch AI 发布对 SWE-bench Verified 的基准评审，认定其为 Flawed。该基准用 500 道来自 12 个代码库的修复任务评测大语言模型；OpenAI 审计 27.6% 的任务后发现有缺陷测试的任务下限为 16.4%，59.4% 的被审任务测试用例会拒绝功能正确的提交，且所有受测前沿模型在训练中都见过部分题目。
推荐理由：Epoch 汇总了 OpenAI 与 RDI 的公开审计结论，说明 SWE-bench Verified 的测试缺陷和污染问题，读者可据此调整对该基准的解读。
- Artificial Analysis@ArtificialAnlysAI 评分5353
Hao AI Lab@haoailabAI 评分4040xAI：News（网页）AI 评分4949 LatchBio 独立评测显示 Grok 4.6 在生物安全基准上表现领先
xAI 发布 LatchBio 对 Grok 4.6 生物能力的独立分析，涵盖 BioSecBench-Refusal 与 BioSecBench-Surveillance 两套基准。
SpaceXAI@SpaceXAIAI 评分3232
Epoch AI：研究、数据与评测精选AI 评分6767 Epoch AI 评审 SWE-Bench Pro：超 20% 任务存在评分缺陷，判定为 Flawed
Epoch AI 对 SWE-Bench Pro 的基准评审判定其为 Flawed，认为很可能超过 20% 的任务存在评分缺陷。
推荐理由：Epoch AI 汇总多方审计数据并给出 Flawed 判定，读者可据此决定是否还把 SWE-Bench Pro 当作可信的编码评测依据。
Artificial Analysis 完整文章（网页）精选AI 评分7575 Artificial Analysis 实测 Claude Fable 5.1 登顶智能指数但每任务成本高 20%
Artificial Analysis 评测 Claude Fable 5.1，其以 66 分登顶 Artificial Analysis Intelligence Index，超过 Claude Opus 5（63）、Fable 5（62）、GPT-5.6 Sol（61）和 Grok 4.6（61）。
推荐理由：Artificial Analysis 实测了 Claude Fable 5.1 的智能指数、各基准得分与每任务成本，读者可据此权衡其相对 Opus 5 和 GPT-5.6 的性价比。
Microsoft ResearchAI 评分3838 微软发布 MindTopo 基准，揭示多模态模型拓扑推理短板
Microsoft Research 推出 MindTopo 基准，用于评估多模态大语言模型的拓扑推理能力，覆盖连通性、分离、顺序、包围与打结五类任务，并区分静态识别与交互规划两个认知层级。测试显示，当前专有与开源模型在静态推理上明显强于交互规划，且两者均远低于人类水平；失败多出现在规划阶段而非感知阶段，模型在场景变化后难以维持结构关系。图像与视频生成仅在单帧关系可见时偶有帮助，跨序列仍不可靠。
Microsoft ResearchAI 评分4040 Microsoft Research 推出 CARE-X：面向临床放射学的胸部 X 光 VLM
Microsoft Research 发布研究模型 CARE-X，一个面向胸部 X 光多种临床解读任务的统一视觉语言模型，结合生成式与结构化预测，并用强化学习（DAPO）在多任务设置下奖励临床正确性。
Google DeepMind精选AI 评分6262 WeatherNext 如何帮助美国国家飓风中心预测飓风 Melissa 登陆牙买加
Google DeepMind 与 Google Research 开发的 AI 天气模型 WeatherNext 帮助美国国家飓风中心提前五天预测飓风 Melissa 将以五级强度登陆牙买加，置信度 80%，三天前升至接近 100%。
推荐理由：原文给出 WeatherNext 在 2025 年飓风季的官方验证结果，读者可据此了解 AI 天气模型在路径与强度预测上的实际表现。