#评测/基准

阿里等机构发布 Co-Design Bench 基准：AI 编码智能体在真实任务中仅约四分之一完全正确

阿里巴巴与多所亚洲大学的研究人员发布了 Co-Design Bench 基准，基于真实用户修改请求测试编码智能体。在测试的十个模型中，表现最佳的 GPT-6 Astra 平均满足约 70% 的任务要求，但完全正确的比例仅为 26.4%。研究发现，当任务涉及布局、设计、交互和内容等多种变更类型时，所有模型的性能均会下降，且运行环境（harness）对结果有显著影响。

九款 AI 智能体尝试美国国家实验室开放科研问题，无一通过专家标准

一项针对九款 AI 智能体的研究显示，135 份基于美国国家实验室开放问题的自主科研提交中，无一同时满足诚实性、完整性和专家标准三项要求。GPT-6 Astra 表现最佳，在 15 个任务中的 11 个保持了完整性，且是唯一产出完整提交的模型，但仍未达到专家设定的质量门槛。

腾讯发布 Hy4 模型，支持视觉理解与计算机操作，自称中国 AI 模型第二

腾讯发布 Hy4 模型，新增图像理解与自主操作计算机能力，目前仅通过腾讯云和 OpenRouter 提供访问。在 Artificial Analysis 独立评测中，Hy4 智能指数得分为 35，位列中国实验室模型第二，落后于 Kimi K3.1 Pro 的 46 分。

AWS 教程：在 Amazon Bedrock AgentCore 评测中使用决策模型

AWS 发布教程，演示如何通过代码型评估器将 Jev 和 Strands Decider 2B 两个决策模型接入 Amazon Bedrock AgentCore Evaluations。

OpenAI 发布 LifeVal 基准测试

OpenAI 发布 LifeVal 基准测试，用于衡量 AI 辅助用户完成日常任务的能力。该基准涵盖寻找托儿服务、管理财务及处理政府文书等具体场景。

Adobe 发布 EditAgent 论文，利用量化数据提升 AI 智能体图像编辑评估能力

Adobe Research 与 UC San Diego 提出 EditAgent 系统，通过并行生成候选结果并引入量化验证数据，让通用语言模型在图像编辑评估中超越专用微调模型。

Mistral 发布 Mistral Large 4 模型，编码性能强劲但综合排名仍落后于中国模型

Mistral 在 Hugging Face 开放了 Mistral Large 4（昵称 Le Chonk）的权重，该模型拥有约 1 万亿参数，其中每步激活 520 亿参数。

Google DeepMind 发布 Gemini 4 Carbon 并优先向网络安全防御者开放

Google DeepMind 发布 Gemini 4 Carbon，该模型在 Artificial Analysis 综合基准中位列第一，并优先通过 Fairwind 计划向受信任的网络安全防御者开放。独立评测显示其在网络安全漏洞发现与利用任务上表现突出，但幻觉率从上一代模型的 4% 上升至 11%。

同一新闻，精选展示《Google DeepMind 发布 Gemini 4 Carbon 前沿模型》

Artificial Analysis 新智能指数拉大开源与闭源模型差距

Artificial Analysis 全面改版其智能指数，导致 Kimi K3.1 Pro 排名从第四跌至第九，开源模型与榜首的差距从 3 分扩大至 12 分。

OpenAI 与学术社区合作构建科学理解

OpenAI 分享了模型在 Kakeya 猜想、指数时间假设和量子色动力学上的结果，并说明了研究者如何验证和基于这些结果继续工作。

Elevenlabs 发布两款面向实时 AI 对话的语音转语音模型 Eleven Realtime

Elevenlabs 发布了两款名为 Eleven Realtime 的语音转语音模型，旨在支持实时 AI 对话。其中 Max 变体在 Big Bench Audio 基准测试中得分 98.8%，响应时间为 0.57 秒，Elevenlabs 称目前 Artificial Analysis 排行榜上没有模型能同时做到更快且更准确。

GPT-6-Astra 在 50 道物理研究题中解出 49 道，单题成本约 2.40 美元

GPT-6-Astra 在 TheoPhysEval 基准测试中解出 50 道物理研究题中的 49 道，准确率达 98%，平均每题成本低于 3 美元。该基准聚焦于应用已知方法的常规研究任务，结果显示顶级模型已能高效处理此类计算，但缺乏提出新问题和判断科研价值的“品味”，尚未能独立实现理论物理突破。

Artemis Security 发布 Orion-1 模型以解决 AI 安全护栏阻碍防御者的问题

Artemis Security 发布专为网络安全设计的 Orion-1 模型，旨在自主调查和响应企业网络攻击。该模型在 Artemis 自建的 DGR 基准测试中，攻击重建得分 80.8，显著高于 GPT-6 Sol 的 58.3。文章指出，随着 OpenAI 和 Anthropic 等厂商加强通用模型的安全限制，防御者难以使用商业前沿模型分析攻击数据，Orion-1 试图填补这一空白。

AI 评测平台 Arena 完成 2 亿美元 B 轮融资，估值升至 31 亿美元

AI 评测平台 Arena 完成 2 亿美元 B 轮融资，投后估值达 31 亿美元，较 10 个月前接近翻倍。该公司由 Lightspeed Venture Partners 和 Khosla Ventures 领投，目前年化收入已达 1 亿美元，并新增了对齐（Alignment）维度的模型排名。

GitHub 发布 ReviewBench：面向 AI 代码审查的开源基准

GitHub 发布 ReviewBench，一个基于 103.9M 真实 Pull Request 分布构建的 AI 代码审查开源基准。该基准包含 219 个跨 19 种语言的公开 PR，采用多源黄金集和独立验证机制，提供 Grounded 和 Augmented 两套指标以评估已知和新发现的问题。