Databricks 基准测试：Genie 借 Genie Ontology 实现 1.6 倍准确率、token 用量减半
Databricks 与 Turing 联合开发了一个企业数据智能体基准，在真实 Databricks 工作区中对比 Genie 与两个前沿智能体，以虚构英国能源公司 Calderwick Energy 的数据资产为题。
#评测/基准
Databricks：BlogAI 评分4444 OpenRouter：Announcements精选AI 评分6262 OpenRouter 实测 LLM 量化：fp8 和 fp4 对质量与价格的影响
OpenRouter 发文解释 LLM 量化原理，并公布 2026 年 10 月 20 日对 1,455 个 provider 端点和 6 个 Qwen3.8 27B 端点的实测结果。
推荐理由：作者实测同一模型不同精度端点的准确率和价格，给出 provider.quantizations 的用法，可帮助读者按精度选更省钱的 API 端点。
Wiz：ResearchAI 评分5656 Wiz 讲解如何评估 AI 智能体的网络安全能力并重启 Cyber Model Arena
Wiz 研究团队介绍重启后的 Cyber Model Arena v3.9 基准设计原则，覆盖 26 个模型、4 个 harness、59 个智能体和 327 道挑战，每题 1,000 秒、三次尝试。
OpenRouter：Announcements精选AI 评分6969 OpenRouter 实测 16 种 OCR 方案：Claude Opus 5.5 最准，Mistral OCR 性价比最佳
OpenRouter 用 8 页自造扫描件实测 15 个视觉模型加 Mistral OCR 和 Tesseract，每模型 264 项关键值检查。Claude Opus 5.5 最准，262/264 正确，每千页 $16.42；Mistral OCR 得 258/264，仅 $2.02；Ling 3.0 Flash VL 关闭推理后 254/264，每千页 $0.04。
推荐理由：OpenRouter 用自造的 8 个测试页实测 16 个方案，给出准确率、成本和防幻觉的可行做法，读者可按自家文档场景对号选型。
Artificial Analysis 完整文章AI 评分5353 Artificial Analysis 联合 Google DeepMind 发布 MKA 多模态知识智能体基准
Artificial Analysis 与 Google DeepMind 合作发布 Multimodal Knowledge Agent (MKA) 基准，评估智能体处理架构图纸、工程示意图、临床扫描等复杂视觉文件并产出幻灯片、表格、报告等交付物。
Zyphra Research精选AI 评分6767 Zyphra 发布 ZONOS3-Mini 开源实时语音克隆 TTS 模型
Zyphra 发布 ZONOS3-Mini，一个零样本语音克隆 TTS 模型，采用稀疏 MoE 架构，1 亿活跃参数、8 亿总参数，Apache 2.0 许可，在 112 块 NVIDIA H100 上训练 2.5 天。
推荐理由：原文给出参数规模、端侧延迟数字和 ZTTS2-Eval 排名，开源权重与多端运行时可帮助读者评估实际部署成本。
Pydantic AI 官方文章AI 评分5353 Pydantic AI 官方评析 2026 年八个 Python agent harness 的优劣与选型
Pydantic AI 团队比较 2026 年八个 Python agent harness SDK，评选 Pydantic AI Harness 为综合首选，其提供 80+ 能力、30+ 模型提供商、12 个沙箱和 9 个持久执行引擎。
Anthropic：Research精选AI 评分7373 Anthropic 测试 Claude Fable 5.2 端到端设计三款电子设备
Anthropic 与 Diode Computers 合作，让 Claude Fable 5.2 设计扬声器电话、语音助手中枢和手持电子宠物三款设备，模型完成了原理图、PCB 布局、3D 外壳、固件和物料清单，Diode 直接按其设计文件制造的三个原型均可运行。
推荐理由：官方实测记录了 Claude Fable 5.2 从原理图到固件完成三台设备设计的过程与基准分数，读者可以据此评估模型在硬件工程任务上的实际能力。
Artificial Analysis 完整文章精选AI 评分6666 Artificial Analysis 评测 Meta Muse Ember：36 分 Intelligence Index 下每任务成本最低的模型
Artificial Analysis 评测 Meta 新模型 Muse Ember，其在 Intelligence Index 得 36 分，是达到该分数中每任务成本最低的模型（max 档 $0.14）。
推荐理由：原文给出 Muse Ember 与同价位模型在各基准和每任务成本上的对比数据，读者可据此评估其性价比与适用场景。
Artificial Analysis 完整文章AI 评分4545 Artificial Analysis 发布 Endpoint Accuracy Index v11：收紧长上下文置信区间并扩大模型覆盖
Artificial Analysis 推出 Endpoint Accuracy Index v1.1，同时新增 GLM-5.3 Flash 和 Muse Spark Open 的覆盖。
Artificial Analysis 完整文章AI 评分4444 Artificial Analysis 发布 Decision Index v2 评测：新增私有数据集与校准奖励指标
Artificial Analysis 发布 Decision Index v2，私有数据集占比从 25% 提升至 45%，并引入奖励正确答案与校准置信度的 Decision Score。
Browser UseAI 评分5353 七家 AI Agent 住宅代理服务商实测对比（2026）
Browser Use 团队对 Decodo、Oxylabs、Floppydata、Roundproxies、Byteful、DataImpulse、Webshare 七家轮换住宅代理做了浏览器 Agent 任务实测，涵盖商品研究、文本提取、表单提交和五分钟闲置后会话恢复。
Hugging Face BlogAI 评分5858 Phonon 端侧 TTS 发布复盘：31m 开源可商用，CPU 流式首包延迟登顶
Gradium 团队在 Phonon 开放两周后复盘这次发布，介绍这款在设备本地运行、无需网络和服务器的小型 TTS 模型。
Artificial Analysis 完整文章精选AI 评分7171 Thinking Machines 发布 Inkling 2 Small，计划开源权重
Thinking Machines 发布 Inkling 2 Small，Artificial Analysis Intelligence Index 得分 31，较 Inkling Small 提升 18 分，计划以 Apache 2.0 发布权重，若落地将成为中国以外得分最高的开源权重模型。
推荐理由：Artificial Analysis 给出独立跑分与成本细节，读者可对比 Gemini 3.8 Flash 等模型判断其智能体与编码能力定位。
Artificial Analysis 完整文章AI 评分5959 Nanbeige 发布开源推理模型 Nanbeige4.3-33B，Intelligence Index 得分 20
Artificial Analysis 报道，BOSS 直聘旗下 Nanbeige 发布开源权重推理模型 Nanbeige4.3-33B，在 Artificial Analysis Intelligence Index v5 上得 20 分，与 Qwen3.8 27B (xhigh) 持平。
Fireworks AI精选AI 评分7070 Kimi K3.1 Pro 上线 Fireworks，支持按 token 计费与专属部署
Moonshot AI 的 Kimi K3.1 Pro 在发布当天即上线 Fireworks，支持 serverless 按 token 计费和专属部署两种方式。
推荐理由：Fireworks 官方给出了 K3.1 Pro 在多个生产级基准上的名次与定价细节，读者可据此评估其在长上下文和 Agent 场景的成本收益。
OpenAI：Alignment 研究博客精选AI 评分7171 OpenAI 研究：智能体安全评估与生产环境存在行为差距，评估目标误判是关键因素
OpenAI 比较 GPT-5.6 Luna/Sol、GPT-6 Luna/Sol/Astra 和 GPT-6.1 Sol 六款模型在 Respecting Warnings 安全评估与 Codex 生产环境中的表现，发现评估成功率一致低于生产环境，差距为 10.2 到 37.4 个百分点。
推荐理由：OpenAI 用六款模型对比安全评估与生产环境行为，发现评估成功率反而更低，并指出评估目标误判是主要解释。
OpenRouter：Announcements精选AI 评分6767 OpenRouter 实测 Claude Opus 5.5、Sonnet 5.5 与 Haiku 5.5 该怎么选
OpenRouter 通过 11 个隐藏测试编码任务、Claude Code 修 bug 任务和 GPQA Diamond、τ-bench 等跑分，给出三档 Claude 5.5 的选型建议。
推荐理由：OpenRouter 用同一批隐藏测试实测三档 Claude 5.5 的通过率与成本，结论可迁移到日常选型决策。
Pydantic AI 官方文章精选AI 评分7272 Pydantic AI 基准测试：code mode 让 8 个模型长任务成本降 58%、耗时降 51%
Pydantic AI 作者在 5 个小应用、8 个模型上跑了 5276 次分级评测，对比 code mode 开关的效果。长任务下成本 -58%、墙钟时间 -51%、成功数提升 16 分；200 项时节省 47%-75% 成本，成功率先从 62-79% 回到 92-100%。
推荐理由：原文用 5276 次受控评测给出 code mode 在长任务上的收益与短板数据，并指出真正节省的是每次请求中的 token 而非往返次数。
Cognition 模型 / Devin 博客AI 评分5656 Cognition 发布 FrontierCode 2.0 编码基准，Opus 5.5 以 45.5% 居首
Cognition 发布 FrontierCode 2.0 编码基准，由开源维护者按输出是否可合并评分，任务来自多 55% 的仓库，参考解平均改动文件多 67%、代码行多 89%。
IBM Research：AIAI 评分5656 IBM 与 Kaggle 推出 ScarfBench 排行榜，评测编码智能体的 Java 框架迁移能力
IBM 与 Kaggle 合作推出 ScarfBench 持续更新的公开排行榜，评估编码智能体能否将企业 Java 应用在 Jakarta EE、Quarkus、Spring 框架间迁移并保持行为正确。
Browser UseAI 评分4747 Odysseys2：一个长时程 web agent 基准测试
CMU 与 Browser Use 联合发布长时程 web agent 基准 Odysseys2，包含 100 个真实网页长任务，每个任务按 8 到 12 项 pass/fail 检查评分。
Browser UseAI 评分5151 Browser Use 与 Browserless 对比：定价、隐身与功能实测
Browser Use 官方对比其与 Browserless 两大浏览器自动化平台。
Sierra：BlogAI 评分5353 Sierra 发布 𝜏-Entity 基准，测试语音智能体能否准确记录姓名、电话等信息
Sierra 推出 𝜏-Entity 基准，用 200 个任务、10 类实体测试语音智能体能否正确捕捉并修复姓名、电话、地址、邮箱等细节。GPT Live 1 常规通话正确率 60.3%，但三种条件全部通过仅 34.0%；预设验证策略可将通过率提升 14–31 个百分点，代价是每次通话多 21–28 秒，且被验证的初始错误中只有 24–37% 最终被纠正。
Sierra：BlogAI 评分4242 Sierra 推出 𝜏-i18n：语音智能体跨语言评测基准，超越任务完成度
Sierra 推出 𝜏-i18n，将 𝜏-Voice 语音智能体评测扩展到西班牙语、巴西葡萄牙语、印地语、韩语和普通话五种语言，任务、策略与成功标准保持不变以便跨语言比较。
Browser Use精选AI 评分6767 五款让编码智能体控制浏览器的 MCP 工具实测对比
作者在 BU Bench V2.1 的 100 个公开任务上，用 Codex CLI 0.144.6 加 GPT-6 Luna 对比 Browser Harness、Playwright MCP、Chrome DevTools MCP、agent-browser 和 Browser MCP，分数均在噪声范围内持平（56.3 到 61.0）。
推荐理由：作者用统一代理和 BU Bench 100 个任务实测五款浏览器控制工具，给出 token、成本、速度和适用场景的可比数据。
vLLM 官方博客AI 评分4444 vLLM 在 AMD Instinct MI355X 上部署 Kimi K3：AgentX 基准下单 GPU 吞吐追平并超越 NVIDIA HGX B300
vLLM 团队详解在 AMD Instinct MI355X 上优化 Kimi K3 推理的工程实践。
Mistral AI精选AI 评分6262 Mistral 发布时间序列基础模型 Timestral，最大 209M 参数在 GIFT-Eval、TIME 和 fev-bench 排名第一
Mistral 发布其首个时间序列基础模型家族 Timestral，提供 5M、28M、123M 和 209M 四种规格。最大 209M 模型在 GIFT-Eval、TIME 和 fev-bench 三个公开基准的预训练零样本模型中五项指标全部排名第一，28M 模型在 GIFT-Eval 和 TIME 上击败约四倍大小的 Chronos-2。
推荐理由：Mistral 发布首个时间序列基础模型系列，正文给出三个基准的成绩、CPU 推理延迟和可微调部署路径，读者可据此评估其落地方式。
Browser UseAI 评分5555 Browser Use 与 Firecrawl 对比：用例、定价与实测性能
Browser Use 官方博客对比 Browser Use 与 Firecrawl 的用例、定价和性能，结论是浏览器自动化选 Browser Use、网页抓取选 Firecrawl，两者也可在同一工作流中组合。
Artificial Analysis 完整文章精选AI 评分6060 Artificial Analysis 发布 AA-Robotics v0.1 基准，测试语言模型控制机械臂
Artificial Analysis 发布 AA-Robotics v0.1 研究预览基准，让前沿大模型在 coding agent 框架中直接控制一台 6 轴机械臂完成 8 项桌面任务。
推荐理由：原文公布了完整分任务得分、用时与成本数据，可据此比较各前沿模型在真实机械臂任务上的表现差距。
Mistral AI精选AI 评分7474 Mistral 发布 Mistral Large 4 公开预览：1 万亿参数多模态开源权重模型
Mistral 发布 Mistral Large 4（ML4，昵称 le Chonk）公开预览，1 万亿参数、520 亿激活参数的原生多模态模型，预览 API 已在 Mistral Studio 开放，权重将于本月底发布。
推荐理由：官方给出具体基准数字、开放权重时间表和欧洲自建训练基础设施，读者可据此判断它在开源模型中的位置。
GitHub Blog · AI & MLAI 评分5959 GitHub 发布 AI 代码审查开源基准 ReviewBench
GitHub 发布 AI 代码审查离线基准 ReviewBench，语料基于 103.9M 真实 pull request 的分布，含 19 种语言的 219 个公开 PR，数据集、评判标准和 runner 全部公开。
OpenRouter：Announcements精选AI 评分6161 OpenRouter 推出 Model Router Benchmarks 模型路由器基准页面
OpenRouter 推出 Model Router Benchmarks 页面，用质量、速度和成本基准对比多家模型路由器，并以顶尖单模型作基线。
推荐理由：原文给出 Router Index 的质量、速度、成本权重和各类路由器的实测对比，读者可据此判断何时用模型路由器替代单一模型。
Browser UseAI 评分5353 2026 年七家 AI 智能体浏览器基础设施对比：Browser Use、KERNEL、Browserbase 等
Browser Use 对比 Browser Use、KERNEL、Browserbase、Steel、Browserless、Anchor 和 Hyperbrowser 七家浏览器基础设施服务商，数据均取自各家定价页和文档，核对于 2026 年 10 月 27 日。
Anthropic：Claude.dev 开发者博客精选AI 评分7373 Anthropic 员工详解 Claude Code 中 effort 档位的选择与用法
Anthropic 员工 Thariq Shihipar 深入测试 Opus 5.5 和 Fable 5.1 的 effort 设置，分享在 Claude Code 中如何按任务选择档位。
推荐理由：作者结合自测和 Terminal-Bench 3.0 数据给出各 effort 档位的适用场景，读者可以直接套用这套任务分档方法。
Fireworks AIAI 评分5656 Fireworks AI 推出 Specialized Intelligence Index 垂直领域模型基准索引
Fireworks AI 发布 Specialized Intelligence Index（SII），汇集开放、闭源和专业模型在真实工作基准上的表现，首批覆盖医疗、法律、网络安全、金融、客服、生产力和软件七个领域。
Browser UseAI 评分4949 Browser Use vs Browserbase：价格、隐身能力与性能对比
Browser Use 与 Browserbase 两大浏览器智能体基础设施平台对比：Browser Use 按量计费无需订阅，browser hour 为 $0.02/h、代理 $5/GB。
Fireworks AI精选AI 评分7171 Fireworks 评测 DeepSeek-V4.1-Flash：DeepSWE 达 GPT-6 Astra 水准、单任务成本仅 1/15
Fireworks 发布 DeepSeek-V4.1-Flash 基准评测，在 DeepSWE 上以 74.34% pass@1 达到 GPT-6 Astra 级编码准确率，单任务成本 $0.43，约为 Astra 的 1/15。
推荐理由：Fireworks 用自家 DeepSWE 实测数据拆解成本结构，指出缓存命中而非输出才是 agent 开销主因，方法可迁移。
Sierra：Blog精选AI 评分6363 Sierra 开源 Hyper-𝜏-bench：评估模型构建智能体的能力
Sierra 开源 Hyper-𝜏-bench（论文名 𝜏^𝜏-bench），一个长程智能体评测，衡量模型不仅能当客服智能体、还能从证据中恢复规格、设计架构并构建可用智能体的能力。
推荐理由：原文给出构建型智能体评测的设计与前沿成绩，还归纳了开发者智能体的五类失败模式，可帮助读者理解模型自主构建智能体的真实短板。
OpenAI：部署安全与系统卡精选AI 评分7777 OpenAI 发布 GPT-6 Astra 系统卡：按 High 能力对待，披露监控规避与沙箱逃逸评测
OpenAI 发布 GPT-6 Astra 系统卡，将其在生物与化学领域按 High 能力预防性对待，但未达 Critical 阈值。
推荐理由：官方系统卡披露了被测模型在隐蔽 sandbagging、CoT 监控规避上的实测数据，读者可据此评估其监控可靠性结论。