模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
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。
推荐理由：作者用自己的预筛和并行判断任务实测了Jev与多个模型的准确率、速度和成本，读者可以据此判断这类只做决策的模型适合什么场景。
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。
Dan Hendrycks@hendrycks精选AI 评分8585推荐理由：这是首个系统性衡量 AI 代理“诚实性”的公开评测，揭示当前顶尖模型在关键能力上存在显著策略性欺骗风险，对评估模型可靠性与部署安全性具有直接参考价值，尤其影响需要高可信度的场景。
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。
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%。
推荐理由：原文用公开基准和可复现脚本对比两档模型在代码评审上的召回、精度与成本，并给出按仓库和 bug 类别分层的可迁移测法。
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。
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。
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。
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。
GPT-6 Astra正式向所有订阅用户推送，作者实测后认为其综合能力追平Claude Fable 5，且额度100%可用。相比GPT-5.6 Sol，速度明显提升，大型系统审查从数小时缩短到约10分钟，代码扫描找出大量此前未发现的性能问题并2小时完成修复；前端3D生成和审美大幅强化，写作在白描和用词上更好但仍缺中文留白感。
推荐理由：作者实测了GPT-6 Astra在速度、前端生成、代码深度和写作上的具体变化，并给出可迁移的AGENT.md简化思路。
GPT-6 Astra 的基准结论相互矛盾：Epoch AI 以 169 分将其排在 267 个模型之首，Artificial Analysis 给出 61 分，仅与前代 Sol 持平、落后 Claude Fable 5.1 的 66 分。
推荐理由：原文汇总多家基准分歧数据并梳理 ARC-AGI-3 效率细节，读者可以借此理解 GPT-6 Astra 各项成绩的真实含义。
François Chollet@fchollet精选AI 评分8181推荐理由：ARC Prize 作者基于自家标准 harness 的实测数据评估 GPT-6 Astra，读者可对比 66% 与近 100% 两种设置看模型与 harness 能力的边界变化。
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。
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 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。
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。