Rohan Paul@rohanpaul_aiAI 评分6161

Epoch AI 评测显示 GPT-6 Astra 以 169 分创下 ECI（Epoch Capabilities Index）新纪录，较此前最高分 163 提升 6 分，但在其推理时代趋势的不确定区间内。

Ethan Mollick@emollickAI 评分3838

Ethan Mollick 应读者要求，用 GPT-6 Astra 最高设置运行提示词，生成可在 twigl.app 运行的 shader，内容为风暴海浪中部分被淹没的无限新哥特式高塔城市，并附 twigl.app 运行链接。作者在引用中对比了此前 Fable 5.1 和 Fable 5 用同一提示词生成的同类作品，欢迎读者自行比较。

Rohan Paul@rohanpaul_aiAI 评分5151

Perplexity 在 WANDR 基准上评测 GPT-6 Astra，得分 0.682、每任务成本 $11.98，为其测试过的模型中最高分；比 Fable 5.1 高 13.5% 且成本低 6.1%，比 Opus 5 高 27.0% 且成本高 3.3%。

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。

DogeDesigner@cb_dogeAI 评分3434

据 Artificial Analysis 数据，Grok 4.6 (High) 在多项基准上超过 OpenAI GPT-6 Astra (Max)：Agentic Index 59 对 51，τ³-Banking 51% 对 41%，Non-hallucination 66% 对 49%，GDPval-AA v2 1,730 对 1,629。作者称 Grok 4.7 很快将到来。

Sherwin Wu@sherwinwuAI 评分6060

GPT-6 Astra 在 Mercor 的 APEX-Agents 排行榜首次上榜即排名第一，Mean score 62.4%（第1），Pass@1 46.7%（第2），Mean 领先 Fable 5.1 0.4 分、Pass@1 落后 0.8 分。

🚨 AI News | TestingCatalog@testingcatalogAI 评分6767

GPT-6 Astra 在 ARC-AGI-3 上以标准 harness 得分 63%，经新的 provider adapter harness 可达 99%，并在 96% 的关卡上动作效率超过受测人类中位数。ARC Prize 观察到它能将陌生环境转化为紧凑的符号世界模型，把游戏机制表示为逻辑规则并自建领域速记语言来跟踪状态和规划动作。

jason@jxnlcoAI 评分1616

Jason Liu 发帖称 astra 在生成 SVG 方面表现出色，并附上两个视频作为演示。

François Chollet@fchollet精选AI 评分8181

François Chollet 发文称 GPT-6 Astra 在交互式推理任务上带来阶跃式能力提升，使用标准 harness 在 ARC-AGI-3 上得 66%，配合持续对话 harness 和自定义 compaction 接近 100%，每局成本约 $360。

Epoch AI@EpochAIResearchAI 评分6464

Epoch AI 实测 GPT-6 Astra 创下 ECI 新纪录 169 分，高于此前最佳 163 分，但仍在其对推理时代 ECI 趋势的不确定性范围内。Astra 还在 Epoch 的数学、持续学习和游戏谜题基准上创下新纪录，在长程编码基准 MirrorCode 上排名介于 Opus 4.7 和 Fable 5 之间；测试基于 OpenAI 提供的预发布访问权限。

GPT-6 Astra 实测：能力大升级但有坏习惯，Anthropic Fable 仍更擅长产品构建

Every 实测 OpenAI 新模型 GPT-6 Astra，认为其在写作、操作软件和视觉设计方面表现出色，但存在一些坏习惯；对比之下，Anthropic 的 Fable 在构建产品方面直觉仍然更好。

-Zho-@ZHO_ZHO_ZHOAI 评分2525

GPT-6 Astra 在 ARC-AGI 3 上取得 98.6%，而上一代 GPT-5.6 Sol 为 7.8%，作者连用多个问号表示难以置信。附图还显示其在 FrontierMath Tier 4 (v2) 得 97.6%、ExploitBench 得 100%、SRE-Bench (four attempts) 得 99.2%。

🚨 AI News | TestingCatalog@testingcatalogAI 评分6161

Martian 发布 AI Frontier，一个交互式面板，衡量 44 个 LLM 在真实工作负载中的质量、成本以及跨重复运行解决同一问题的稳定性。面板分五个视图：单模型档案、一对一对比、标价 vs 实测成本、重复尝试一致性（得分约 0.74 到 0.96）和方法论。

dex@dexhorthyAI 评分2222

Dex Horthy 发文称 slop code bench 正在成形，对比 Fable 5.1、Sol 的 med/high/xhigh 档位以及 GLM 5.3 的 med/high 档位。他表示许多 run 尚未完成，会持续更新，并感谢 GOrlanski 团队搭建该基准。

Artificial Analysis@ArtificialAnlysAI 评分7070

Artificial Analysis 评测显示，阿里巴巴 Wan 3.0 在视频编辑带音频榜单首次登顶第一，文生视频带音频位列第二，图生视频带音频排名第五。该模型为一体化视频生成与编辑模型，支持最长 30 秒 1080p 原生音频输出，可接受文本、图片、视频、音频、文档和网页作为创作参考，并支持指令式编辑画面、剧情、对话和声音。

Artificial Analysis@ArtificialAnlysAI 评分6161

Artificial Analysis 测评显示，Meta Muse Spark 1.3 (max) 在 Muse Code 中以 68 分进入 Artificial Analysis Coding Agent Index。

Artificial Analysis@ArtificialAnlysAI 评分5959

Artificial Analysis 评测显示，Inworld 新发布的 Realtime TTS-2 以 Elo 1,123 登顶 Controlled Voice Arena，领先 Cartesia Sonic 3.6（1,119）4 分，并在 Provider Voice Arena 以 1,252 位列第二，仅次于 Sonic 3.6（1,282）。

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。

Rohan Paul@rohanpaul_aiAI 评分6161

@thehypedotnews 用 Three.js 让 Fable 5.1、Fable 5 和 Opus 5 分别从单张参考图程序化重建 bag end、barad-dûr、rivendell 三个《魔戒》场景，全程经 OpenRouter 运行。

Artificial Analysis@ArtificialAnlysAI 评分5353

Artificial Analysis 更新其 Image Editing Arena，新增 Identity-Preserving Edits、UI/UX Design 等编辑任务测试范围，按 7 类编辑动作和 10 个真实用例基于人类偏好排名，新榜单已上线并开放投票。

飞书有了新的工作搭子：「豆包工作」一手实测

作者对飞书中的「豆包工作」进行一手实测，称工作可以交给豆包工作了。原文信息有限，未给出更多功能或性能细节。

Haus Research 审计：Perplexity 三分之一的引用页面并不包含被引数字

Haus Research 对 Perplexity 的 sonar 与 sonar-pro 两个搜索模型提出 310 个关于 210 家科技公司的事实问题，抓取全部 cited URL 核验。

Ethan Mollick@emollickAI 评分2929

Ethan Mollick 称自己获得 Gemini 3.8 Flash 早期访问，认为它是很好的 Flash 模型，但不等同于前沿模型。他用相同提示词让 Gemini 3.8 Flash 快速生成被淹没的新哥特式高塔 twigl shader，并附视频与 Fable 5.1 及此前模型的版本作对比。

Rohan Paul@rohanpaul_aiAI 评分6868

@arcprize 公布 Anthropic 的 Fable 5.1 在 ARC-AGI（Verified）上的成绩：ARC-AGI-2 得分 90.0%，成本 $3.12/task；ARC-AGI-1 得分 97.5%，成本 $1.40/task。两个基准上平均单任务成本比 Fable 5 低约 32%，主要来自更好的 token 效率。

实测 Claude Fable 5.1：长时 Agent 任务与浏览器自动化表现突出

作者实测 Anthropic 新发布的 Claude Fable 5.1，认为其在长时间 Agent 任务和浏览器自动化上超过 GPT 5.6。

Arena 第 35 周 AI 大模型周榜：GLM-5.3-Flash 首秀进代码榜前十，Qwen3.8-Max-0902 登顶前端榜

Arena 平台发布 2026 年第 35 周（8 月 24 日至 8 月 30 日）AI 大模型盲测排行榜。智谱 GLM-5.3-Flash 首次入榜即列代码榜第 7 名（ELO 1535），阿里 Qwen3.8-max-0902 首次入榜以 1691 分登顶前端开发榜，将 Claude-Opus-5-Max 挤到第二。

Yuchen Jin@Yuchenj_UWAI 评分4646

Yuchen Jin 转发评测图称 Databricks 上 GLM-5.3 输出速度达 310 tok/s，端到端响应 8.9 秒，在多家 API 提供方中速度与延迟均排第一。他还称在 Databricks 内部编码基准上，GLM-5.3 是编码最强的开源权重模型，可与 Fable 5 和 Opus 4.8 竞争。

OPPO 联合多所高校推出端侧 AI 记忆评测基准 MobileMem

OPPO 联合 OpenKG 及浙江大学、同济大学、东南大学等高校团队推出端侧 AI 记忆评测基准 MobileMem，技术白皮书已公开，数据集和相关工具将陆续开源。OPPO 首席产品官刘作虎称，端侧 AI 记忆是 AI 手机从一问一答走向主动服务智能体的基础能力，此前行业缺少统一评价标准；ColorOS 17 发布暨开发者大会将于 2026 年 9 月 17 日在珠海举行。

Simon Willison 用 pelican 基准实测 Claude Fable 5.1 的五个推理档位

Simon Willison 实测 Claude Fable 5.1 在 pelican 基准上的表现。Anthropic 称该模型在 Terminal-Bench-Science 0.1 上得 52.6%，高于 Fable 5 的 24.7%。

Epoch AI@EpochAIResearchAI 评分4141

Epoch AI 统计发现，自推理模型推出以来，Epoch Capabilities Index (ECI) 前沿以每年 14 点的速度推进，而非推理时代为每年 6 点。图表显示推理模型时代拟合 adj. R² 为 0.98，90% 置信区间为 12–17；非推理时代为 90% CI 3–8，adj. R² 0.76。

Hao AI Lab@haoailabAI 评分4040

Physion Labs 独立评测了 H3 Max（fal）、MiniMax H3 和 FastH3 preview 三款模型，覆盖机器人、动画、电影和广告场景，H3 Max 综合领先，FastH3 preview 在整体 Prompt Adherence 上超过 H3，差距主要体现在 Visual Integrity 和 Human Preference。

Rohan Paul@rohanpaul_aiAI 评分4545

AI/ML API 用同样的提示词对 Anthropic 的 Fable 5.1 和 OpenAI 的 GPT-5.6 Sol 做了一次成型的 Three.js 测试，5 个独立场景组成私岛豪宅项目。

Vibe Check：Fable 5.1 评测，称 Anthropic 又回来了

Every 发布对 Fable 5.1 的 Vibe Check 评测，标题称 Anthropic 又回来了，正文未提供更多细节。

DogeDesigner@cb_dogeAI 评分3030

作者转述 LatchBio 对主流 AI 模型的生物安全基准测试结果，称 Grok 4.6 整体表现最强，在全部参测前沿模型中排名第一，是唯一在安全性和有用性两项均超过 50% 的模型。

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

LatchBio 评测了 Grok 在生物安全监控和对抗性生物任务上的表现。结果显示 Grok 4.6 能正确检测并拒绝危险查询，包括恶意混淆的生物任务，同时不妨碍有益的科学查询得到回答。xAI 在博客文章中讨论了这些结果：https://x.ai/news/biosafety-at-the-frontier

AlgorithmWatch 研究：Google 选举类 AI Overviews 触发不透明、来源集中且时有倾向性

AlgorithmWatch 借助欧盟 DSA 第 40(12) 条的研究数据访问权限，对德国东部三场选举相关搜索运行 4480 次查询并分析 Google 的 AI Overviews。

博客文章展示以 67 美分成本在 ARC-AGI-1 上取得 44% 得分

Hacker News 热帖分享一篇博客文章，作者称以 67 美分的成本在 ARC-AGI-1 上取得 44% 的得分。该帖获得 122 个 HN Points，完整方法细节需查看原文链接 https://mvakde.github.io/blog/44-on-arc-1。

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。

Keenable AI 开源 NEEDLE：每小时重建查询集的实时搜索基准

Keenable AI 开源实时搜索基准 NEEDLE，通过每小时（新闻）和每日（金融、学术、法律、长尾）从 RSS、Google Trends、SEC XBRL、arXiv、CourtListener 等公开来源重建查询集，避免模型记忆或下载答案作弊。