Common Sense Media 将 ChatGPT for Teens 评为不可接受风险

Common Sense Media 发布研究，将 OpenAI 的 ChatGPT for Teens 评为不可接受风险，称其设计仍在鼓励青少年持续对话，即使在心理危机场景中也是如此。

Mistral Large 4 发布

Mistral 发布 Mistral Large 4，模型可通过 llm 命令行工具以 mistral/mistral-large-4 调用。Simon Willison 用同一提示词让 Mistral Large 4 与 Claude Opus 5.5、GPT-6.1-sol、Gemini 3.8 Flash 分别生成 SVG 进行对比。

微软研究员 Jennifer Neville：AI 评测的意外失败能教会我们什么

微软研究院合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中与首席应用科学家 Chad Atalla 对谈，讨论评测如何推动 AI 系统性能边界、以及模型在传统 benchmark 之外测试时出现的「意外失败」。她分享了使用当前 AI 系统的实用建议，并强调当结果与预期不符时应仔细审视数据。

Simon Willison 测试 Claude Opus 5.5 作曲能力：结果出人意料地好

Simon Willison 让 Claude Opus 5.5 为电脑游戏作曲，要求先设计简单的文本音乐格式，再构建可播放的 artifact 并附示例曲目，风格对标《猴岛小英雄》。结果模型比预期更贴近猴岛主题，成品质量出人意料地好。他猜测这种作曲能力可能类似文本模型的 3D 图形能力，是近几个月才涌现的新能力，但需用更多新旧模型做实验才能确认。

GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准

GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub PR 的分布特征构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 PR。

用 Amazon Bedrock AgentCore 评估多智能体系统的可解释性与有用性

Amazon Bedrock AgentCore Evaluations 提供内置与自定义评估器，用于在多智能体系统的开发和生产阶段衡量准确性、任务成功率与行为表现。

NASA 与 IBM 发布开源月球基础模型，基于 17 年轨道器数据

NASA 与 IBM Research 联合多家学术机构发布 NASA-IBM Lunar Foundation Model，称其为最早的开源月球科学基础模型之一。

AINews 日报：GPT-6.1 Sol 与 Sonnet 5.5 重塑性价比前沿

OpenAI 发布 GPT-6.1 Sol，定价 $2/$10 per million input/output tokens，比 Astra 的 $10/$50 大幅降低；据称在 DeepSWE v1.1 上超 GPT-6 Sol 6.4 分、在 AutomationBench 上超 Opus 5.5 2.2 分。

AI 智能体用照片生成 3D 场景，却无法判断自己做得对不对

研究团队提出 Image-to-Code 方法，让编码智能体从单张照片写出可执行的 Blender 程序，并迭代修改直到场景匹配原图。配套基准 LEGO-Bench 包含 104 个场景的 208 张图像，最佳模型 GPT-6 Astra 在室内场景准确率 53.4%、室外仅 39.6%，弱配置约 15%。

OpenAI Dots 上手实测：企业级智能体也能帮你订晚餐

OpenAI 本周发布智能体平台 Dots，作者以每月 100 美元的 Pro 账号实测，发现它更像能操作其他软件的工作软件，而非个人购物助手。Dots 可访问 Blender、GIMP 等应用，也能通过桌面版 ChatGPT 接入用户电脑，但在预约网络安装、登录宜家账户和订餐时多次卡在安全验证，需要人工接管。

Mercor 研究：AI 在记账任务上快于持证会计师，但仍无法独立完成结账

Mercor 让 12 名平均 5.5 年经验的持证 CPA 完成 APEX Accounting Benchmark 的简化任务，结果显示 AI 模型在结构化记账任务上更快、更准、成本更低。

Claude Opus 5.5 爱说"this matters"：Graphite 研究揭示各前沿模型的 AI 写作特征

Graphite 研究发现 Claude Opus 5.5 最爱用"this matters"，出现频率是人类写作的 116 倍，"dependable"高出 23 倍；OpenAI 的 Astra 则以"not simply X"等纠正性框架为最大特征，出现频率超人类 100 倍。

Latent Space 对话 MIT 的 Alex Zhang：从 GPU Kernel 到递归语言模型 RLM

MIT 研究者 Alex Zhang 在 Latent Space 播客中详解递归语言模型（RLM），其基于 RLM 的 harness 是首个接近解决 ARC-AGI-3 的系统，早于 OpenAI 的 Astra。

百灵 Ling-3.0-flash-Fin 在两项金融智能体评测中取得领先

蚂蚁百灵 Ling-3.0-flash-Fin 在 FrontierFinance System Performance 与 Vals AI Finance Agent v2 两项金融智能体评测中取得领先。

DrivingBench 让 ChatGPT 等大语言模型开丰田卡罗拉跑绕桩，仅一个模型完赛

三位湾区科技从业者组成 DrivingBench，用 Comma 套件把 GPT-6 Astra、Claude Fable 5.1、Grok 4.6 和 GPT-5.6 Sol 接入丰田卡罗拉的转向、油门和刹车，在公共停车场锥形路线上测试未专门训练的前沿模型能否开车。

GPT-6 Astra 跨计算机视觉评测揭示通用模型的能力边界

该论文在 9 个领域、34 项能力和 55 个基准上评测 GPT-6 Astra 及五个前沿通用 AI 系统，并与专用模型和人类参考水平比较。Astra 在视觉与空间推理及多种结构化预测上显著领先其他系统；语义解释、推理和以物体为中心的预测接近或达到参考水平，但在度量几何精度、忠实重建、时序一致的密集预测和细粒度专业知识上仍有较大差距，附加推理与专用工具只能弥合部分缺口。

实测 Claude Sonnet 5.5：代码动画断档领先 gpt6，但 3D 不如 Opus 5.5

作者实测 Anthropic 新发布的 Claude Sonnet 5.5，用代码动画、HTML PPT、3D 网页和写作四项任务对比 Opus 5.5 与 gpt6。

Thomas Wolf@Thom_WolfAI 评分5555

@classiclarryd 通报 Deven Pzak 将 NanoGPT 训练纪录从 67.6 秒压缩至 39.9 秒，PR 为 KellerJordan/modded-nanogpt#360。核心思路是在单个 flop 层面按价值取舍而非只优化 matmul，包括采样 softmax（约 8 秒）、ngram 嵌入的稀疏更新与优化器状态、分片稀疏通信、手写 64 维 head 的 flash attention、最后 300 步 EMA 与新优化器 Anvil2（约 1 秒）等。稀疏嵌入参数扩到 65B，贡献该 PR 约 25% 的收益；Thomas Wolf 转发并称 impressive，附上与 Deven 访谈整理的技术复盘 https://hyperstition.cc/training-nanogpt-in-39-9-seconds。

Thomas Wolf@Thom_WolfAI 评分4848

人们感到担忧，因为这种作弊率骤降最可能的解释是评测意识：最新的 Opus 模型或许已经聪明到能识别出这个基准测试是在考察作弊行为，并据此调整表现。 若果真如此，这个基准测试就不再能衡量模型"自然"的作弊倾向了。

SolveEdit：生成模型视觉问题求解基准测试

研究者推出 SolveEdit 基准，用于评估生成模型通过场景变换完成视觉问题求解的能力，包含 2,728 个案例，并用原子变换契约与 SolveScore 在无需参考输出的情况下衡量完成度与误改。

Claude Opus 5.5 写作特征减少：破折号用量下降约 95%、分号下降 73%

Arena 于 9 月 26 日分析 Text Arena 高推理回复，发现 Claude Opus 5.5 相比 Opus 5 破折号使用量下降约 95%（每 1,000 个单词从 15.2 个降至 0.8 个），分号下降 73%（从 6.10 个降至 1.64 个）。

Elon Musk@elonmuskAI 评分3131

不错 （引用推文核心要点：Grok 4.7 xHigh 在 Artificial Analysis Cyber Index 中排名第一，作为前沿模型在企业网络防御领域表现顶尖，超越 Fable 5.1 Max、Opus 5.5、Astra 6、GPT-6 等领先 AI 系统。）

Diogo Almeida@CompleteSkepticAI 评分2323

再次重申，我极度反对基准测试（：

Arena.ai@arenaAI 评分5959

Arena 宣布 GPT-6 Luna (Max) 进入 Agent Arena Pareto 前沿，净改进 +1.59%，中位成本每任务 $0.05。

Arena.ai@arena精选AI 评分7777

Arena 公布 GPT-6 Luna (Max) 在 Agent Arena 排名第 23，基于 8K 真实智能体会话，净提升 +1.6%，比 GPT-5.6 Luna (xHigh) 上升 6 位。

MicroLLM Lab：在浏览器中试用 7 款微型 LLM

MicroLLM Lab 上线，可在浏览器内直接试用 7 款微型 LLM，并支持用 JavaScript 编写基准测试。测试以正则或精确 token 做客观校验，不评判写作质量，135M 模型允许失败，这本身就是测量结果。运行会记录 tokens/s 持续解码速度与客观测试通过率，数据只留在本机，图表按每个模型的最新测试套件展示。

Claude Sonnet 5.5 达到 Artificial Analysis 智能指数第 2 名

Artificial Analysis 发布对 Claude Sonnet 5.5 的评测：其智能指数得分 56，max effort 下比 Sonnet 5 高 18 分，升至第 2 名，仅落后 Opus 5.5 (max)。

Yuchen Jin@Yuchenj_UWAI 评分99

一张图看懂基准刷分内卷的巅峰 LOL。

Arena.ai@arena精选AI 评分6969

Arena 宣布 Anthropic 的 Claude Sonnet 5.5 已进入 Agent Arena，并开放投票。Agent Arena 基于全球用户数百万个真实的长程智能体任务评测模型，模型可使用 web search、filesystem 和 terminal 工具完成复杂工作流，榜单用因果追踪方法衡量模型相对平均模型的结果表现。

Artificial Analysis@ArtificialAnlys精选AI 评分8282

Anthropic 发布 Claude Sonnet 5.5，在 Artificial Analysis Intelligence Index 得 56 分，仅比 Opus 5.5（max）低 2 分，max effort 下比 Sonnet 5 高 18 分。

Arena.ai@arenaAI 评分6868

Arena 公布 Claude Opus 5.5 (High) 以 +12.15% 净提升分数进入 Agent Arena 第二名，仅低于 Claude Fable 5.1 (Max)。其每任务中位价格为 $1.31，比同水平低 64%，成本比 Opus 5 (High) 低 40%、比 Opus 5 (Max) 低 56%；分项信号中 Steerability 排名第一（+14.50%）。

Arena.ai@arenaAI 评分7373

Arena 官方宣布 Claude Opus 5.5 (High) 进入 Agent Arena 排名第 2，净改进分 +12.15%，仅次于 Fable 5.1 (Max)。其中位价格为每任务 $1.31，比 Opus 5 (High) 便宜 40%、比 Opus 5 (Max) 便宜 56%，分项上 Steerability 排名第 1（+14.50%）。

Arena.ai@arena精选AI 评分7575

Arena 公布 Claude Opus 5.5 (High) 进入 Agent Arena 排名第 2，净改进分 +12.15%，仅次于 Fable 5.1 (Max)。

Artificial Analysis@ArtificialAnlysAI 评分6161

Artificial Analysis 评测显示，ElevenLabs 的 Eleven v4 在 Provider Voice TTS Arena 排行榜和 Pronunciation Robustness 基准上排名第一。

Artificial Analysis@ArtificialAnlysAI 评分5555

Artificial Analysis 发布 Cyber Index 与 Cyber Index Alliance，联合 @CollinearAI、@IBM、@nvidia、@vercel 作为启动伙伴，用 CWE-Bench-AA、DeepsecBench-AA 和 CyberGym-E2E-AA 三个开放基准评估智能体发现和修复漏洞的能力。

UC Berkeley 团队用 AI Agent 审计 13 个基准，发现 45 个无需解题的满分作弊方案

UC Berkeley 团队构建全自动 AI Agent 审计 13 个广泛使用的基准，发现 45 个作弊方案，全部基准被评为 critical 风险，共归纳 16 种攻击类型。

WideSWE：编码智能体能否跨仓库协同完成变更？

WideSWE 是用于评估编码智能体跨仓库任务的新基准，从 103 个软件生态系统中挖掘出 120 个真实任务，包含 60 个 bug 修复和 60 个功能开发。

TraceDance：从真实部署轨迹自动构建智能体行为基准的自动化系统

TraceDance 是一个从真实部署轨迹自动构建智能体行为基准的系统，通过 Anchor-and-Confirm 与 Anchor Synthesis Loop 针对用户指定的不良行为生成测试。

Today AI 实测：一个创作者与 Personal AI 助理相处一周的体验

十字路口团队实测了 9 月在国内开放的 Personal AI 助理产品 Today AI，覆盖 macOS、Windows、Linux、iOS 四个平台。

Arena.ai@arena精选AI 评分6767

Arena 宣布 OpenAI 的 GPT-6 Sol (Max) 进入 Agent Arena，基于 4K+ 真实智能体会话取得 +7.7% 净改进，排名第 6，中位成本 $0.75/task。