内容类型
模型到底谁更强：Benchmark 评测成绩、评测方法的争议与排行榜变化。
35 条精选近 30 天 14 条共收录 114 条
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 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。
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 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 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。
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。
2026 年 AtCoder 世界总决赛上，OpenAI 模型在启发式赛道“彻底击溃”人类选手，Psyho 估算人类至少还需数天才能追上其分数；次日算法赛道 7 小时内解出全部 5 题，包括 12 名人类顶尖选手无一解出的 2 题，主办方为其颁发了两个“人类投降”奖。作者认为这可能是人类最后一次有机会在与顶级 AI 模型的编程竞赛中取胜。
推荐理由：作者采访去年击败 AI 的冠军 Psyho，给出 2026 年 OpenAI 模型在两个赛道的具体表现和冠军本人的差距估算。
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。
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。
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 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。
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 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 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。
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。