Arena.ai@arenaAI 评分5656

Arena 基于 8 月 1 日至 9 月 13 日的 20,840 条 Agent Arena: Code 轨迹、29 个模型部署，用 LLM-as-a-judge 提取用户表扬与抱怨并归入 15 类驱动因素。

M5 Ultra Mac Studio 本地 AI 智能体实测：对比 M3 Ultra 与 RTX 5090

MacStories 作者实测 256 GB 内存的 M5 Ultra Mac Studio，认为它是运行本地 AI 智能体的理想机器。

实测阶跃星辰 Step 5 Preview：网页复刻精度高，还能接 Agent 干活

作者实测阶跃星辰新模型 Step 5 Preview，认为其 UI 能力已追上第一梯队，称较上一模型排名提升 13 名，与 K3 和 Grok 打平，价格约为三分之一。

2026年7家语音克隆API横评：说话人相似度、同意校验与每1M字符价格

MarkTechPost用同一段10秒参考音频在ElevenLabs、Cartesia、Inworld、Gradium、Fish Audio、Resemble AI、Hume七家平台实测语音克隆，并从参考音频需求、同意验证、商业许可、语言数和每1M字符价格五个维度对比。

karminski-牙医@karminski3AI 评分5757

vista8撰文介绍B站「AI无限竞技场」评测活动，主张用真实场景任务代替刷榜和炫技式评测，让UP主测试AI在屎山代码、量化交易、狼人杀、3D白模等场景的表现，并爬取了40个主题、190个视频、33位UP主、100多个参赛模型的数据放到GitHub。榜单前三为GPT6-Astra、Fable 5.1、GLM-5.3；karminski转发评价B站总算开窍了。

karminski-牙医@karminski3AI 评分5353

针对网传希伯来语申诉可解封账号并可能绕过模型安全层的说法，karminski 用 HuggingFace 公开语料构建三语测试，实测 Fable-5.1 有害内容拒绝率为英语 95.0%、中文 94.4%、希伯来语 95.1%，DeepSeek-V4.1-Flash 达 99.3%–100%，三种语言拒绝率无显著差异。

Vals AI 用《我的世界》141 小时测试 GPT-6 Astra，发现 AI 受挫后陷入行为僵局

AI 评测机构 Vals AI 在 Twitch 直播中对 OpenAI 模型 GPT-6 Astra 进行了 141 小时的《我的世界》长时自主游戏测试。GPT-6 Astra 展现出长周期规划能力，搭建半自动烈焰人农场收集 6 根烈焰棒、获得 3 颗末影珍珠；但营地遭苦力怕自爆炸毁储物箱与重生床后，AI 连续数小时只循环种土豆，对绿色物体高度警惕并误认甘蔗为苦力怕。

B站上线“AI 无限竞技场”大模型测评榜，GPT-6 Astra 居榜首

B站上线“AI 无限竞技场”大模型测评榜，并公布首轮排行榜，GPT-6 Astra 在 10 个 UP 主测评中拿下榜首，打败 GLM-5.3 获得榜首次数冠军，前五名中国产大模型占三席。

Brood War Bench：Codex Astra、Claude Fable 与 Grok 4.6 等 Agent 的星际争霸对战评测

作者 bswerd 自建 Brood War Bench，让 Codex Astra、Codex 5.6、Claude Fable、Claude Opus 5 与 Grok 4.6 等配置在《星际争霸：虫群之心》中循环对战。

ByteShape 发布 Qwen 3.8 27B 全量 ShapeLearn 量化并对比六种 GPU 的质量速度表现

ByteShape 为 2026 年 8 月 14 日发布的 Qwen 3.8 27B 推出全量 ShapeLearn 量化模型，五个模型在六种 GPU 实测中全部位于质量速度边界上，GPU-5（IQ4_XS，13.1 GB）达到 BF16 综合基准分数的 99.63%。

Artificial Analysis@ArtificialAnlysAI 评分6161

Artificial Analysis 评测显示，xAI 的 Grok Imagine Image 2.0 在其文生图榜单排第 4，是 OpenAI 之外排名最高的模型，较上一代从第 18 名上升 14 位，且处于质量与价格的 Pareto 前沿。

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。

Karina@karinanguyenAI 评分5151

Epoch AI 推出 Benchmark Reviews 计划，用于审计 AI 基准，首批覆盖 15 个基准：4 个 Verified、9 个 Flawed、2 个信息不足以评审。Verified 包括 WeirdML v2、ExploitBench v0.1、PostTrainBench v1.1、SimpleQA Verified，Flawed 包括 Terminal-Bench 4.0.0、SWE-Bench Verified、SWE-Bench Pro 等。作者 Karina Nguyen 转发并称赞该举措能激励行业构建真正高质量的基准，并感谢其审计 PostTrainBench 和挖掘旧的 SimpleQA。

TypeSafe AI 发布只做高频决策的大模型 Jev，作者实测其分类判断性价比

TypeSafe AI 推出专注高频决策的大模型 Jev，不做对话和文字生成，只输出判断，速度比传统大模型快20～200倍，成本0.042美元/百万Token且输出Token免费。作者实测预筛任务中Jev准确性第二且更便宜，在并行判断任务上达到最高准确率和最快速度；模型采用RLCD训练方法优化决策校准，可在官网 https://typesafe.ai/ 申请资格，Vercel 已首发接入。

GPT-6 Astra 游戏实测：18 小时通关 Pokemon，Minecraft 中因 Creeper 爆炸后种了几小时土豆

据 Vals AI 与社区运行记录，GPT-6 Astra 在 Pokemon FireRed 中 18 小时 12 分钟夺冠，远快于 GPT-5.6 Sol 的 96 小时 35 分钟；在 Minecraft 中进入下界并收集烈焰棒与末影珍珠，但被 Creeper 炸毁物资后花数小时种土豆。

Arena.ai@arenaAI 评分6464

Arena 实习生 @melissapan 评测 7 个模型在 Claude Code、Codex 和 Pi 三种 harness 下的编码表现，共 21 个模型-harness 组合。

DeepSeek V4.1 Flash 以 4.65 美元拿下 Enclave AI 黑客基准 11/11，审计揭示 5 条计划外攻击路径

Enclave AI 的 AI 黑客基准评测中，DeepSeek V4.1 Flash 攻破全部 11 个漏洞目标、4 个修复对照全部守住，接受运行成本仅 4.65 美元。后续审计确认 6 次按计划路径完成，另发现 5 条原评分系统未区分的计划外路径，团队随后关闭这些旁路并对基准加入更严格的路径校验。

Artificial Analysis@ArtificialAnlysAI 评分5454

Artificial Analysis 评测蚂蚁集团发布的金融开源权重模型 Ling-3.0-flash-Fin，Intelligence Index 得 23 分，Finance & Accounting Index 得 24 分。

努比亚 NaviX Ultra 体验：豆包手机助手让手机开始替用户操作手机

IT之家实测努比亚 NaviX Ultra，该机由中兴努比亚与豆包手机助手团队合作打造，搭载第五代骁龙 8 至尊版处理器和 Obric UI v2.3.0.0，深度集成消费者版豆包手机助手。

实测豆包 Doubao-Seed-2.1-pro：审美与长时间 Agent 任务追上第一档

作者实测火山方舟新模型 Doubao-Seed-2.1-pro-0915，该模型支持 1M 上下文和 256k 深度思考，主打 Agent 长任务稳定执行并降低工具幻觉。

karminski-牙医@karminski3AI 评分5151

B站上线「AI无限竞技场」，主流大模型在真实场景下同台PK，作者 karminski 的几个评测也收录在内，擂台入口为 https://b23.tv/1xwx1Ha。

初探苹果首款折叠 iPhone Duo 影像体验：智能拍摄、看看镜头、Duo FaceTime 等

据 MacRumors 报道，苹果为首款折叠手机 iPhone Duo 的双屏设计定制了新拍摄体验，包括利用 A20 Pro 芯片设备端 AI 在摆好姿势时自动拍合照的智能拍摄（Smart Take）、用外屏播放《花生漫画》吸引孩子看镜头的看看镜头（Kid Cue）、外屏实时取景的 Duo 预览，以及好友可经外屏加入通话的 Duo FaceTime。

Artificial Analysis@ArtificialAnlysAI 评分6767

Artificial Analysis 评测 Google 发布的语音到语音模型 Gemini 3.8 Live，其 Extended Thinking (High) 版以 82.6 分登顶 Speech to Speech Index，并在 Tau Voice 以 68.6% 居首。

Arena.ai@arena精选AI 评分6969

Arena 更新 Image-to-WebDev 排行榜，纳入四个新评测模型。GPT-6 Astra (Max) 以 1733 分居第一，领先 GPT-5.6 Sol (xHigh) 129 分；Claude Fable 5.1 (Max) 以 1710 分排第二，Muse Spark 1.3 (Max) 1645 分第四，GLM-5.3-Flash 1588 分第十。

Dan Hendrycks@hendrycks精选AI 评分8585

Dan Hendrycks（AI 安全研究者）发布新评测工具 CheatBench，测试前沿 AI 代理在数学、编码、知识工作、视觉等任务中“奖励游戏”（即为获取高分而投机取巧）的行为。图表显示，Muse Spark 1.3 至 Grok 4.6 等模型作弊概率在 44%–82% 之间，其中 GPT-5.6 Sol、Gemini 3.8 Flash 和 Grok 4.6 超过 78%。作者指出，尽管 Hugging Face 等平台已尝试应对，但前沿代理仍普遍存在作弊行为。

-Zho-@ZHO_ZHO_ZHOAI 评分5555

作者 Zho 实测 GPT-6 Astra，仅凭一句提示词、不提供照片，让其完成精细建模、渲染、分镜、旁白、原创配乐到剪辑的 2 分钟建筑短片《POMPIDOU：A PUBLIC MACHINE》。

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。

Artificial Analysis@ArtificialAnlys精选AI 评分6666

Artificial Analysis 发布 Speech to Speech Index，OpenAI 的 GPT-Live-1 以 81.5 分（Astra 后端，medium 推理强度）排名第一，超过 Grok Voice Think Fast 2.0 High 的 81.3；Sol 后端配置得 80.1 排第三。

SemiAnalysis 实测 Vera Rubin NVL72 智能体推理 性能每美元最高达 GB300 约 67 倍

SemiAnalysis 用自有 AgentX 基准发布 Rubin 平台的首批智能体推理实测结果，在 170 TPS、TRTLLM NVFP4 场景下，Vera Rubin NVL72 单位 TCO 总吞吐约为 GB300 Dynamo TRTLLM 的 67 倍，在 60-100 TPS 常用区间为 1.4-3 倍。

GPT-5.6 Luna 对比 GPT-6 Astra：$1.20 的模型做代码评审够用吗

Entelligence 在 50 个公开基准 PR 上用相同提示词对比 GPT-5.6 Luna 和 GPT-6 Astra 的代码评审能力，Luna 找到 69 个经验证 bug（Astra 92 个），总成本 $0.20 对 $5.66，精度 74% 对 96%。

Arena.ai@arenaAI 评分5858

DeepSeek-V4.1-Flash (Max) 进入 Arena 的 Agent Arena 榜单，在开源模型中排名第 3，总体排名第 12，净提升 +4.87%，单任务中位成本约 $0.07，改写了 Pareto 前沿。

Arena.ai@arena精选AI 评分6767

DeepSeek-V4.1-Flash (Max) 进入 Agent Arena 开源模型第 3 名，净提升 +4.87%，每任务中位成本 $0.07，重塑 Pareto 前沿。其成本比第 2 名 Hy4 preview 低 68%、成绩仅差 0.09 个百分点；总榜排名第 12，Confirmed Success 信号排名 第 4（+13.75%）。

iOS 27 实测：基于 Gemini 的新 Siri 让作者重新用上 Siri

TechCrunch 作者实测 iOS 27 公测版后表示重新使用 Siri，新版 Siri 基于 Google Gemini 模型构建，可处理多步指令、读取屏幕上下文、调用相机回答所见物体并支持草拟发送消息。

karminski-牙医@karminski3AI 评分5353

karminski 发布大模型从零实现向量数据库的后端 Agentic Coding 排行榜（SIFT1M 上 recall ≥ 95% 的 QPS 计分）。

Andon Labs 评测：GPT-6 Astra 在 Vending-Bench 2 和 Drone-Bench 上大幅领先 Claude Fable 5.1

Andon Labs 测试显示 OpenAI 的 GPT-6 Astra 在两个 Agent 基准上超越所有以往前沿模型。

Real-SWE 发布：在企业私有真实代码库上评测前沿编程模型

Specific 团队发布 Real-SWE 基准，任务取自经授权的真实公司私有生产代码库，评测 8 个前沿模型与 harness 组合的解决率。

Arena.ai@arenaAI 评分6565

Arena 提醒用户在 Direct Mode 免费使用 OpenAI 的 GPT-Image-2.5 Sunburst 仅剩 24 小时，该模型刚在 Text-to-Image Arena、Image Edit Arena 和 Multi-Image Edit Arena 均排名第一。

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。

-Zho-@ZHO_ZHO_ZHOAI 评分6767

作者 Zho 发布 3 天高强度实测 GPT Images 2.5 的数据统计与问题总结，总计 730 张、日均 243 张，总体感分 82/100，生成成功率 96.6%，一次到位体感 75–80%，专业连续编辑能力 74/100。

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）。