Epoch AIby Epoch AI · 推文AI评分：50/100GPT-5.6 Sol 玩《杀戮尖塔》：策略是主要短板
过去几周，我们非正式测试了 GPT-5.6 Sol 的计算机使用能力，让它玩《杀戮尖塔》。发现其限制不在操作，而在战术与策略，表现优于新手但低于专家。
8月28日 · 星期五1 条
- Epoch AIby Epoch AI · 推文AI评分：50/100
8月25日 · 星期二4 条
Artificial Analysisby Artificial Analysis · 推文AI评分：70/100NVIDIA Groq 3 LPX 推理机架实测：Gemma 4 31B 输出速度达 3431 tokens/s
Artificial Analysis 通过 NVIDIA 提供的私有演示端点，对 Groq 3 LPX 推理机架进行了基准测试。在 10k 和 100k 输入序列长度下，Gemma 4 31B 的中位输出速度约为 3400 tokens/s，创下该模型在 100k 上下文下的最高记录。NVIDIA 宣布该机架已全面投产，将于今年晚些时候投入运营。
NVIDIA AIby NVIDIA AI · 推文AI评分：50/100Nemotron 3.5 Lightning 在 Pinchbench 开源模型中跻身前四
Nemotron 3.5 Lightning 在 Pinchbench 开源模型评测中排名前四，在标准化 OpenClaw 智能体测试中平均成功率达 86.4%。Nemotron 3 Ultra 仍保持第一。
- Artificial Analysisby Artificial Analysis · 推文AI评分：50/100
现在可以用 Optima 对 Qwen3.8 27B 进行基准测试
现在可以用 Optima 对 Qwen3.8 27B 进行基准测试，查看这款可在笔记本上运行的模型在性能、成本和速度上的表现。同时为需要构建基准测试的企业提供积分和免费咨询。
- Artificial Analysisby Artificial Analysis · 推文AI评分：70/100
手机端小模型评测：iPhone 17 Pro 与 Galaxy S26 Ultra 上的智能与推理性能
Artificial Analysis 与 Liquid AI 合作，推出针对手机端小模型的智能与推理性能评测，覆盖 iPhone 17 Pro 和 Galaxy S26 Ultra 上的多款 4-bit 或更低精度模型。评测结合智能评估与推理性能，提供端到端生成时间、输出速度、峰值内存等指标。初步结果显示，Nanbeige4.2-3B 和 LFM2.5-2.6B 在 16K 上下文限制下并列智能得分第一，但 LFM2.5-2.6B 效率更高。评测应用 Pipette 已免费开放下载。
8月24日 · 星期一1 条
OpenRouterby OpenRouter · 推文AI评分：50/100新的视觉基准：理解图像模型的能力
新的视觉基准测试，用于评估图像模型在多种挑战性提示下的表现。
8月23日 · 星期日2 条
Clément Delangueby Clément Delangue · 推文AI评分：70/100英伟达自建编码框架优化CUDA内核，ARC-AGI-3全部通关
英伟达自建编码框架优化CUDA GPU内核，在ARC-AGI-3的25个公开游戏中取得100%得分，解决全部183个关卡。随着智能体发展，我们将从难以运行、优化、后训练自己的AI模型和内核的世界，迈向几乎人人都能做的世界。何时能有一亿AI构建者？
Jerry Liuby Jerry Liu · 推文AI评分：50/100编码代理在长文档提取任务中展现出成本效益优势
在模式引导的复杂文档提取任务中，编码代理（如Claude Code和Codex）在长文档上展现出良好的成本/准确率平衡。短文档上，专用OCR工具成本更低且准确率相当或更高；长文档上，编码代理更接近帕累托最优。该结果来自ParseBench论文附录D。
8月22日 · 星期六2 条
Elon Muskby Elon Musk · 推文AI评分：50/100Grok 4.6 在超高思考模式下于 CursorBench 取得第一
Grok 4.6 在超高思考模式下于 CursorBench 基准测试中取得第一名的成绩。
- Artificial Analysisby Artificial Analysis · 推文AI评分：70/100
MLCR-AA：医疗长上下文推理基准测试排行榜发布
Artificial Analysis 发布了针对 Wisedocs 的 MLCR（医疗长上下文推理）基准的排行榜 MLCR-AA，测试模型在长医疗案例文件上的推理能力。排行榜使用最难的保留问题集，Claude Fable 5 以 64.4% 的得分领先，Kimi K3 是领先的开源模型。结果显示，当前模型在医疗记录审查中部分可行，但成本高且完整性不足。
8月21日 · 星期五4 条
- Artificial Analysisby Artificial Analysis · 推文AI评分：70/100
推出语音智能体竞技场：在真实场景中评估语音到语音模型
Hugging Face 发布了语音智能体竞技场，用于在真实世界场景中评估语音到语音模型。该竞技场通过人类参与者与模型进行实时对话，比较模型的对话偏好和任务成功率。初步结果显示，Gemini 3.1 Flash 在偏好上领先，而 Grok Voice 在任务成功率上最高。该平台旨在提供更贴近实际使用的评估，并计划扩展更多模型和场景。
- NVIDIA AIby NVIDIA AI · 推文AI评分：70/100
NVIDIA AVO 在 ARC-AGI-3 交互推理基准上取得 100% 成绩
NVIDIA 的通用编码智能体 AVO 在 ARC-AGI-3 交互推理基准上获得 100% 分数，完成了全部 25 个公共环境中的 183 个关卡，无需指令、明确规则或既定目标即可自主理解任务。
- Artificial Analysisby Artificial Analysis · 推文AI评分：50/100
推理实测活动：同一模型在不同端点表现差异显著
在旧金山的 Inference, Measured 活动中，我们发布了端点准确率指数，通过自托管权重作为参考，对多个提供商的端点进行相同评估，得分从73%到100%不等。量化、KV缓存压缩和上下文限制都会影响质量，即使定价页未显示。
Meta AIby Meta AI · 推文AI评分：70/100Meta 预览 WildArtifactBench 评估框架
Meta 今日预览 WildArtifactBench，一个内部评估框架，用于评估多模态智能体在复杂真实任务中的表现。它采用胜率和 Elo 评分，由人类和智能体偏好裁判评判，而非严格的标准答案，从而扩展了实际多模态工作流的任务覆盖。Meta 已发布其中 10 个任务。
8月20日 · 星期四1 条
- NVIDIA AIby NVIDIA AI · 推文AI评分：70/100
NVIDIA cuOpt 在 Hans Mittelmann 基准测试的三个优化问题类别中是最快的开源求解器
NVIDIA cuOpt 在 Hans Mittelmann 基准测试的三个优化问题类别中被评为最快的开源求解器。
