Lovable 接入 Fable 5.1，迭代修复现有代码库提升最高 17.2%
Lovable 宣布开始用 Fable 5.1 构建应用，内部基准显示其在迭代修复现有代码库任务上比 Fable 5 高出 11.9% 至 17.2%，每任务成本降低 31.4% 至 39.2%。
#评测/基准
Lovable BlogAI 评分5050
Transluce精选AI 评分6868 Transluce 发布心理健康危机响应评测：5 万次模拟对话对比 77 个模型
Transluce 发布迄今规模最大的独立心理健康评测，模拟 5 万余次对话、超 100 万条消息，测试 2024 年 5 月至 2026 年 7 月发布的 77 个模型变体，覆盖 OpenAI、Anthropic、Google DeepMind、DeepSeek、Moonshot AI 等。
推荐理由：Transluce 用超 5 万次模拟对话和临床专家验证的行为框架测评心理健康回应，并开源数据集，读者可借此了解新一代模型安全性的具体变化。
Fireworks AI精选AI 评分7474 Fireworks 评测 DeepSeek V4 Pro 0813：SWE-Bench 95.2%，单任务成本约为 Fable 5 的三分之一
Fireworks AI 发布对 DeepSeek V4 Pro 0813 的评测，该模型在 SWE-Bench Verified 得 95.2%、LiveCodeBench v6 得 92.0%，均领先 Fable 5 和 Kimi K3，SWE-bench 单个解决任务成本 $0.309，约为 Fable 5（$0.808）的三分之一。
推荐理由：Fireworks 用同一套评测对比 V4 Pro 与 Fable 5 和 Kimi K3，给出逐任务成本数据，并说明 Java 弱项和 oracle 路由的上限含义。
Fireworks AIAI 评分4444 Fireworks AI：DeepSeek V4 Pro 正在重塑安全智能体的成本经济学
Fireworks AI 用 UC Berkeley 的 CyberGym 基准测试了 DeepSeek V4 Pro 0813、Kimi K3、GPT-5.5 和 Claude Opus 4.8 在真实漏洞攻防上的表现。
Together AI 研究与产品博客精选AI 评分6868 Together AI 用 DeepSWE 对比 GLM-5.3 与 Claude Fable 5：成本、编码与路由
Together AI 在 DeepSWE 113 个任务、各 4 次试验共 904 次 rollout 上对比 GLM-5.3 与 Claude Fable 5。
推荐理由：基于 904 次 rollout 的逐任务原始数据对比两款编码模型，读者可以据此决定默认用哪个模型、以及何时值得为 Rust 和序列化任务多花钱。
Together AI 研究与产品博客精选AI 评分7575 Together AI 实测 GLM-5.3 对比 GPT-5.6 Sol：DeepSWE 上的成本、编码与路由分析
Together AI 在 DeepSWE 全部 113 个任务上各跑 4 次试验、共 904 次 rollout，对比 GLM-5.3 (max) 与 GPT-5.6 Sol (max)。
推荐理由：原文用 904 次 rollout 对比两个模型在成本、失败模式和路由策略上的差异，给出了可复用的级联调用方案。
Together AI 研究与产品博客精选AI 评分6565 DeepSeek V4 Pro 0813 与 Claude Fable 5 在 DeepSWE 上的成本、编码与路由对比
Together AI 在 DeepSWE 全部 113 个任务上实测 DeepSeek V4 Pro 0813 与 Claude Fable 5，共 904 次 rollout。
推荐理由：原文以 904 次 rollout 实测两个模型在 DeepSWE 的成本与质量差异，并给出可迁移的级联路由方案及其实测准确率和成本。
OpenAI：部署安全与系统卡AI 评分4949 GPT-5.6 八月更新：OpenAI 发布部署安全详情与青少年安全评估
OpenAI 在 GPT-5.6 的八月更新中说明 GPT-5.6 Sol 和 GPT-5.6 Luna 的训练数据来源与安全措施，并首次引入面向 18 岁以下用户的 U18 专项评估，涵盖自残、饮食障碍、年龄限制商品和不当性内容等场景。
Together AI 研究与产品博客精选AI 评分7171 Together AI 实测 DeepSeek-V4 Flash 0731 与 GPT-5.6 Luna 的 DeepSWE 成本与编码表现
Together AI 在 DeepSWE 全部 113 个任务上各跑 4 次实测 DeepSeek-V4 Flash 0731 与 GPT-5.6 Luna，Luna pass@1 达 67.2%，约为 DeepSeek（53.3%）的 6 倍成本（$0.61 对 $0.10）。
推荐理由：原文用同一跑分实测两款模型的成本与质量取舍，并给出可复用的级联组合方法，适合按技术栈选型的读者参考。
Browser UseAI 评分5656 Browser Use 拆解 Web Agent 基准评测中的判官噪声问题
Browser Use 发布长文分析 Web Agent 基准中判官噪声的影响：同一批已完成运行，仅更换判官模型，最宽松判官报告 83.7%，最严格只有 62.5%，相差 21 分。文章提出让判官作为 Agent 检查整个 workspace、用百分比评分替代 pass/fail、跑三次取中位数等做法，并指出 Opus 5 在低推理档位比高档位低 88 分，调推理强度的影响超过换厂商。
OpenAI：部署安全与系统卡精选AI 评分7878 OpenAI 发布 GPT-5.6 系统卡，将 Sol、Luna、Terra 生物化学能力评估为 High
OpenAI 发布 GPT-5.6 系统卡，将 GPT-5.6 家族三个模型 Sol、Luna、Terra 在生物化学领域预防性评估为 High 能力，未达 Critical。
推荐理由：OpenAI 官方系统卡给出 GPT-5.6 家族生物化学能力被评为 High 的依据、部署模拟预测方法和安全回归细节，可了解其安全评估如何运作。
Cognition 模型 / Devin 博客AI 评分5454 Cognition 发布模型可信度评测套件并验证 SWE-1.7 表现
Cognition 构建了模型可信度评测套件，用 145 个政治敏感问题测试宣传倾向，并在生产 harness 中用真实编码场景测试行为一致性。结果显示其基于 Kimi K2.7 Code 训练的 SWE-1.7 在三种语言下的宣传率和差分漏洞表现与 GPT 5.5、Claude Opus 4.8 相当或更优，明显好于开源基座模型，且未观察到随用户身份变化的安全行为差异。
OpenAI：部署安全与系统卡AI 评分4949 GPT-Live 系统卡：GPT-Live-1 语音安全评测修正后的分数变化
OpenAI 发布 GPT-Live 系统卡，说明 GPT-Live-1 与 GPT-Live-1 mini 的训练数据、过滤流程及语音原生安全评测。8 月 4 日更正评测配置后重跑评测，GPT-Live-1 在非法行为上从 0.97 回归到 0.95，GPT-Live-1 mini 从 0.94 回归到 0.91，另有性内容与血腥内容分数下降，但均未低于安全上线标准。
Cognition 模型 / Devin 博客AI 评分5050 Cognition 发布 FrontierCode 1.1：区分合法与不公平联网使用
Cognition 发布 FrontierCode 1.1，改进评测方法以区分合法联网（如查文档）与可能泄露答案的不公平联网。该版本审计了全部 1000+ 评分标准并放宽 75 条过严项，同时发布 Sonnet 5 分数和 Fable 5 更新分数。通过公平联网提示词加程序化检测双重保障，各模型不公平联网使用率降至 1% 以下。
OpenAI：部署安全与系统卡精选AI 评分6767 OpenAI 发布 GPT-5.6 Preview 系统卡：生化能力按 High 预防性处理
OpenAI 发布 GPT-5.6 Preview 系统卡，覆盖 Sol、Luna、Terra 三个模型。用 ChatGPT 生产流量做部署模拟预测违规率，预计 GPT-5.6 Sol 每 10 万轮对话约 8.6 轮违反骚扰政策；相对 GPT-5.5，性类违规内容从 0.05% 升至 0.07%，心理健康类违规响应从 0.03% 降至 0.02%。
推荐理由：OpenAI 官方系统卡披露 GPT-5.6 家族被预防性列为生化 High 能力，并给出部署模拟的违规率预测方法与结果，读者可借此了解其安全评估口径。
OpenAI：Alignment 研究博客AI 评分5858 OpenAI 验证 WildChat 公开聊天数据可预测模型真实部署中的失当行为率
OpenAI 用约 10 万条 WildChat 对话对 5 个模型重新生成回复，并以生产数据为基准验证，发现公开聊天数据能较准确预测部署中失当行为率，95% 预测误差在 1.04 OOM 内，约为 1.86 倍于用自身部署数据模拟的误差。
Zyphra Research精选AI 评分6868 Zyphra 发布 Apache 2.0 开源实时 TTS 模型 ZONOS2
Zyphra 发布开源实时语音合成模型 ZONOS2，采用 MoE 架构，总参数 8B、激活参数 900M，Apache 2.0 许可，称其为首个开源 MoE TTS 模型。
推荐理由：官方同时放出权重、推理代码和自建评测集，还解释了 WER 与克隆保真度的权衡，读者可据此评估其语音克隆路线。
Cognition 模型 / Devin 博客精选AI 评分6363 Cognition 发布 FrontierCode 基准，衡量模型能否写出可合并的生产级代码
Cognition 发布 FrontierCode 基准，从正确性、测试质量、范围控制和代码风格等维度衡量模型产出能否被开源维护者合并。
推荐理由：原文给出新基准的评分方法与各家模型分数，读者可以据此了解现有模型在代码可合并性上的真实差距。
Zyphra ResearchAI 评分4141 Zyphra 公布 Zyphra Inference 在 AMD MI355X 上的首个端到端基准测试
Zyphra 基于 Zyphra Cloud 发布了 Zyphra Inference 在 AMD Instinct MI355X 单节点上的首个端到端推理基准，对比对象包括 AMD MI355X 基线与 Nvidia B200 配置，测试模型为 Kimi K2.6、GLM 5.1 和 DeepSeek-V3.2，指标覆盖 TTFT 与输出吞吐。
OpenAI：部署安全与系统卡精选AI 评分7777 OpenAI 发布 GPT-5.5 系统卡，评定生物化学领域为 High 能力
OpenAI 发布 GPT-5.5 系统卡，将该模型在生物和化学领域评定为 High 能力并启动相应 Preparedness 防护。与 Gryphon Scientific 合建的未污染隐性知识测评中，GPT-5.5 Pro 在排除拒绝后得 81.67%，略超 80% 的专家共识基线。
推荐理由：OpenAI 官方系统卡给出了 GPT-5.5 的生物化学能力评级与 Apollo Research 第三方评估数据，读者可据此了解其安全边界。
OpenAI：Alignment 研究博客AI 评分5454 OpenAI 发布 Model Spec Evals 评测套件，公开 596 条提示词与评测代码
OpenAI 发布首个完整版 Model Spec Evals，用于衡量模型遵循 Model Spec 的程度，包含 596 条提示词、覆盖 225 个关注点，并开源评测代码。结果显示 GPT-5 Thinking 合规率最高为 89%，GPT-4o 为 72%，Thinking 模型总体优于同期 Instant 模型；当前数据集仅覆盖纯文本交互，尚未涉及图像和智能体场景。
OpenAI：部署安全与系统卡精选AI 评分6868 OpenAI 发布 GPT-5.4 Thinking 系统卡，评估安全表现与 Preparedness 定级
OpenAI 发布 GPT-5.4 Thinking 系统卡，将本次发布在生物与化学领域定为 High 能力并启用相应 Preparedness 安全保障。安全评测显示其在禁止内容评估上与 gpt-5.2-thinking 大体持平，在非法非暴力活动和自残评估上有统计显著改进，动态心理健康多轮评估全面优于此前模型。
推荐理由：系统卡披露 GPT-5.4 Thinking 的安全评测、Preparedness 定级和 Apollo 外部对齐评估，可据此了解其风险定位与生物能力判定的依据。
Cognition 模型 / Devin 博客精选AI 评分6464 Cognition 发布 SWE-1.6 早期预览并分享研究进展
Cognition 分享正在训练中的 SWE-1.6 早期预览，当前 checkpoint 在 SWE-Bench Pro 上比 SWE-1.5 高 11%，速度同样为 950 tok/s，并向小部分用户开放早期访问。
推荐理由：Cognition 公开了训练方法细节和 Model UX 的权衡分析，读者可以借此了解 RL 训练编码模型的实际取舍。
TransluceAI 评分4747 Transluce 用 Docent 诊断 GPT-5.1 Codex 在 Terminal-Bench 上的性能回退
Transluce 用其 trace 分析工具 Docent 诊断 GPT-5.1 Codex 在 Terminal-Bench 上落后 GPT-5 Codex 6.5 个百分点的回退原因。
Cognition 模型 / Devin 博客AI 评分5959 Cognition 实测 o1 系列驱动 Devin，并详解编码智能体评测方法
Cognition 发布博文，介绍过去数周用 OpenAI o1-mini 和 o1-preview 测试 Devin 自主编码任务的结果。
Cognition 模型 / Devin 博客精选AI 评分7373 Cognition 发布 Devin 的 SWE-bench 技术报告，解决率达 13.86%
Cognition 发布 Devin 的 SWE-bench 技术报告，Devin 端到端解决 13.86% 的 issue（570 个抽样中 79 个），远超此前无辅助基线 1.96%，也高于最强有辅助基线 Claude 2 的 4.80%。
推荐理由：原文给出完整评测方法和基线对比，读者可据此理解智能体在真实代码库任务上的表现与局限。