VTR-Bench：视频生成中视觉文本渲染能力的系统评测基准

VTR-Bench 提出一套系统评测基准，专门评估视频生成模型的视觉文本渲染能力，包含 300 个覆盖广告、科学视频等五类场景的提示词，并开发了与人工对齐的自动化评测流程。

KaliBench：面向 Kali Linux 网络安全工具调用的细粒度基准，支持免运行时可验证奖励

KaliBench 是一个面向 Kali Linux 上自然语言到 CLI 命令转换的细粒度基准与数据集，包含 8,504 对查询-命令，覆盖 1,642 个工具、23 个能力维度和 5 个安全阶段。

Argo-Bench：评估数据智能体在企业级工作流中的表现

Argo-Bench 是一个包含 210 个数据科学与分析任务的评估框架，模拟纽约市外卖平台，导出为 235 张表、75 亿行的 ERP 仓库，智能体需先重建事实再执行封禁欺诈账号、分配骑手激励预算等操作，评分依据模拟器中的后果。14 个前沿与开源模型中最强者在仅 34.8% 的任务上得分达 95 以上，平均 59.5 分。

ROWBench：视频模型能否渲染出程序所指定的内容？

PROWBench 是一个评估视频模型对程序指定世界事件还原保真度的基准，包含 170 个程序化构建的片段和 600 段代理视频，记录实体状态与带时间戳事件（含镜头视野外事件）作为可重放世界记录。

Signal65 报告：高通骁龙 X2 Elite 在 CPU / AI 等方面优于英特尔酷睿 Ultra X7 358H

Signal65 报告测试显示，高通 18 核骁龙 X2 Elite（X2E-88-100）在 CPU、AI 和多数续航项目中领先英特尔酷睿 Ultra X7 358H。

Artificial Analysis@ArtificialAnlys精选AI 评分7070

Artificial Analysis Coding Agent Index 本周纳入 Claude Sonnet 5.5、GPT-6.1 Sol 和 Gemini 4 Argon，三者均接近榜首但成本差异大。

Artificial Analysis@ArtificialAnlys精选AI 评分6767

Artificial Analysis 评测显示，阿里 9 月 20 日以开放权重发布的 Qwen-Image-2.1 在 AA-Image-T2I v2.0 和 AA-Image-Editing v2.0 上均排第 18，为两个榜单开源权重模型第一。

Karina@karinanguyenAI 评分3434

一个有趣的结果：Fable 5.1 得分 44.6%，高于 Fable 5 的 37.3%，同时平均少用 33 分钟。这里的进步也意味着从每小时的自主工作中获得更多产出。 大多数智能体运行 8–10 小时，却取得显著不同的分数。下一个有趣的问题是，每多一个小时，每个智能体能获得多少提升！

Chubby♨️@kimmonismusAI 评分5959

作者引用 Epoch AI 的 Epoch Capabilities Index 数据：Claude Opus 5.5 以 167 分登顶，略高于 GPT-6 Astra；Claude Sonnet 5.5 大致追平 Claude Fable 5.1（165 分）。作者评论称 Anthropic 的中档模型在发布几个月内就达到旗舰水平，并表示很期待 Fable 5.5。榜单见 epoch.ai/eci。

SemiAnalysis@SemiAnalysis_AI 评分3636

SemiAnalysis 在 ClusterMAX 2.0 复测中肯定 Lambda 的可靠性改进：被动健康检查覆盖相关条件，自动修复了测试中模拟的三个错误，两个合成 XID 在 15 分钟内自动修复，并有互联仪表盘监控节点健康。

gabriel@gabriel1AI 评分2020

啊啊啊啊想象一下把 opus 和 sol 的所有优点合在一起。对于有倾向性的行为评测，opus 太强了 opus 开箱即用的响应方式令人愉悦，而且非常易于快速浏览、结构一致 sol 默认情况下要混乱得多，也更难解析

Artificial Analysis@ArtificialAnlysAI 评分4444

在衡量从漏洞发现到修补全流程网络安全能力的 CyberGym-E2E-AA 基准上，部分前沿智能模型因安全限制在 85%+ 的任务上被拦截无法响应。GPT-6 Luna 或 MiMo-V2.6-Pro 可在 100 万行以上代码库中执行约 100 次漏洞挖掘，成本约 20 美元，单任务成本比次优模型 Grok 4.7 便宜最多 100 倍。

Artificial Analysis@ArtificialAnlysAI 评分4646

韩国 AI 实验室 Upstage 发布专有推理模型 Solar Mini 4，报告 35B 总参数、3B 激活参数，在 Artificial Analysis 智能指数上得分 24，比上代旗舰 Solar Pro 3（8 分）高 16 分，每 token 价格降至三分之一（$0.10/$0.40 每 1M 输入/输出 token）。

Artificial Analysis@ArtificialAnlys精选AI 评分6666

Artificial Analysis 测算 GPT-6.1 Sol 的 Cost per Task 比 GPT-6 Sol 低约 30%，而 GPT-6 Sol 已约为 GPT-5.6 Sol 的一半。

dex@dexhorthyAI 评分4444

给基准测试爱好者们：一个很酷的新数据集，面向 SRE 类型的工作

SemiAnalysis@SemiAnalysis_AI 评分4848

我们在 ExploitGym 上评估了 GLM-5.3 的网络能力，并分析了执行轨迹。GLM-5.3 将大量执行预算用于测试隐藏的运行时条件是否改变了其结论。在问题 arvo5665 中，GLM-5.3 通过 sanitizer 构建、语料测试和目标 fuzzing 探索了更多周边程序。(1/3)🧵 https://www.anthropic.com/research/glm-5-3-and-the-spread-of-advanced-cyber-capabilities

Yuchen Jin@Yuchenj_UWAI 评分3030

Google 回来了？？？ 全面优于 Astra 和 Opus 5.5。 如果这不只是刷榜，我很想看到他们重新加入竞赛。

Ammaar Reshi@ammaarAI 评分4141

这是 Gemini 4 Argon 基准测试的预览。 今天开始向网络防御者推出，并尽快向所有人开放。 很高兴看到所有这些进展，迫不及待想让你们都用上！

Tencent Hy@TencentHunyuanAI 评分4343

腾讯混元联合复旦、清华推出 ExplorationBench，用可执行规则的 Alien Worlds 沙盒评测 AI 的探索能力，包含 AlienCode（31 条隐藏规则改动、70 个任务）和 AlienLogic（24 条修改的推理规则、70 个定理）。

让 AI 审稿人更可信：RobustReview 基准与 SciCore 审稿模型

研究者提出"修辞鲁棒性"概念，并发布 RobustReview 基准，包含 1,260 个稿件版本，评测了 30 种审稿配置，发现低改写敏感度可能与跨论文评分崩塌并存的"虚假鲁棒性"。为此提出双分支审稿模型 SciCore，将全文判断与结构化科学核心判断取平均，在 GPT-5.5 对比中取得领先的稳定性-区分度表现，同时保持有竞争力的人类对齐度。

Hugging Face 发布 Open TTS Leaderboard：可扩展的多语言 TTS 与语音克隆评估

Hugging Face 推出 Open TTS Leaderboard，用客观指标评估开源多语言 TTS 和语音克隆模型。指标包括基于 Qwen3 ASR 的 WER/CER、H200 上的 RTFx 和 TTFA 流式延迟、WavLM 嵌入的说话人相似度（SIM），把评估周期从数周缩短到数小时。

Claude Opus 5.5 发布：SimpleBench 88.4% 登顶，擅长讲解视频

Claude Opus 5.5 本周发布，以 88.4% 登顶 SimpleBench，并被 Anthropic 评为迄今最强视觉模型，成本比 Fable 5.1 低约 60%。在 Terminal-Bench-Science 上，其得分从低推理投入的 24% 升至 xhigh 的 62%，max 档反降至 59%。社区反馈称 200 美元的 Claude Code 套餐已胜过 Codex。

MIST 测试揭示：无关图像会动摇 VLM 评判，而非提供信息

研究提出 MIST（Misleading-Image Stress Test），用 200 句可作比喻或字面理解的英文句子，分别配对齐图像、误导图像或无图像，要求仅凭句子作答。

Endless Exam：面向超级智能的数学构造基准，覆盖 14 类参数化问题族

研究者推出 Endless Exam 基准，覆盖 14 个参数化数学构造问题族，用可验证的相对质量分数衡量模型在已发表数学前沿之前与之后的进展，且不将改进上限封顶为 1。在 69 个实例上评测 9 个模型，连续质量分数能区分表现差异，但 30 个已发表前沿参考无一被超越。该基准已开源生成器、验证器、参考基线、模型回答与分析，并新增 Claude Opus 5.5 评测。

BIABench：评估 AI 智能体在真实生物图像分析任务上的表现

研究者推出 BIABench，一个由 16 项已发表生物学研究重建而成的基准，保留原始科学问题、成像数据与 ground truth，覆盖从 H&E 组织学到单分子定位显微镜的 11 类分析子任务。

karminski-牙医@karminski3AI 评分3636

阶跃 Step-5-Preview 实测显示其输出稳定性突出，后训练扎实，写工程代码不易反复出错。在新增的 Agent 能力测试“硅基交警”中全程未指挥出事故，后端 Agentic Coding 与旧版硅基骑手测试多轮得分 Δ 也很小；其 Agent Loop 迭代能力强，能卡极限数值优化，在硅基骑手测试中把送餐超时理解为送餐时间+5分钟以赚取更多积分。

Epoch AI@EpochAIResearchAI 评分4242

AI 能看出你把宜家家具装错了吗？我们的新基准——家具组装基准（FAB）——把说明书和一张组装到一半的家具照片交给模型，让它们找出错误。 最高分在短短 10 个月内从 28% 升到了 80%。

OpenAI 推出 MentalHealthBench 心理健康对话评测基准

OpenAI 发布 MentalHealthBench，一个由专家参与构建的基准，用于评估 AI 在真实心理健康对话中回复是否有帮助且安全。该基准覆盖多种现实心理健康对话场景，衡量模型回复的助益性与安全性。

karminski-牙医@karminski3AI 评分5252

karminski 发布小米 MiMo-v2.6-pro 测试速报，向量数据库测试得分从 MiMo-v2.5-Pro 的 2505 升至 7810，接近 Claude Fable-5。

Step 5 Preview 实测：榜单之外的真实表现与短板

阶跃毫无预兆发布 Step 5 Preview，总参数量 600B、激活 27B，带视觉输入，称 Artificial Analysis 上涨 44 分、全球开源前三，单任务成本仅为 Claude Opus 5 的 1/8。

OpenRouter 实测 Jev 1.13 与 Claude Opus 5 在 Banking77 分类任务上的准确率、延迟和成本

OpenRouter 用 Banking77 测试集的 3,080 条客服语句对比 Jev 1.13 和 Claude Opus 5 的意图分类能力。

Logan Kilpatrick@OfficialLoganKAI 评分3434

如果你在用 AI 构建产品，你应该花超过 25% 的时间做基准测试，并努力让模型实验室关注这些基准测试 这是加速公司进展的最简单路径

OpenRouter 实测 TypeSafe 决策模型 Jev 与 LLM-as-a-Judge：封闭标准打平，开放标准 LLM 判官胜出

OpenRouter 在 2026-09-21 用 HaluEval 88 条标注数据和 SummEval 50 条专家评分摘要对比 typesafe/jev-1.13 与 openai/gpt-5.6-luna 两种评测判官。

LangChain 实测 Jev 作智能体评测器：与 GPT-5.6 Luna、Terra 和 Claude Sonnet 4.6 对比

LangChain 团队测试了 TypeSafe AI 的 Jev 作为智能体评测器的表现。Jev 是不生成文本的 System One 决策模型，支持 Choice、Score 和布尔三类问题，官方称在分类任务上推理最快达 200 倍、成本最低至 1/400。

Epoch AI@EpochAIResearchAI 评分4848

FrontierMath: Open Problems 中的又一道题被解出来了！该解答由 Becker、Greger 和 @DominikPeters 在与 GPT-6 Astra 的交互会话中得出。Peters 最初为这个基准提出了该问题。他是这么说的。

Karina@karinanguyenAI 评分5656

Epoch AI 推出 Benchmark Reviews 计划，对 AI 基准进行审计，首批覆盖 15 个基准，其中 4 个为 Verified、9 个为 Flawed、2 个信息不足暂无法评审。Karina Nguyen 转发并称此举能激励行业打造真正高质量的基准。

OpenRouter 实测20个图像生成模型的真实成本、编辑与质量差异

OpenRouter 用同一提示词实测20个图像生成模型的真实计费，1024x1024 单张图价格在 $0.006（openai/gpt-image-2）到 $0.1344（google/gemini-3-pro-image）之间，相差22倍。

Epoch AI@EpochAIResearchAI 评分5050

Epoch AI 推出 Benchmark Reviews，用于审计 AI 基准，首批发布 15 个基准的评审结果。其中 4 个 Verified，包括 WeirdML v2、ExploitBench v0.1、PostTrainBench v1.1 和 SimpleQA Verified；9 个 Flawed，包括 Terminal-Bench 4.0.0、SWE-Bench Verified、SWE-Bench Pro、Humanity's Last Exam、DeepSWE v1.1、TextQuests、Lech Mazur Writing、BFCL v4 和 HealthBench Professional；另有 CritPt 和 FrontierCode 因信息不足暂无法评审。

NVIDIA Vera Rubin NVL72 首登 MLPerf Inference v6.1，性能领先

NVIDIA Vera Rubin NVL72 在 MLPerf Inference v6.1 首次预览提交中，Qwen3-VL 吞吐量最高达 GB300 NVL72 的 3.7 倍，DeepSeek-R1 上最高 2.5 倍。GB300 NVL72 以 288 GPU 四机架提交实现 99% 扩展效率，软件优化较 v6.0 带来最高 1.6 倍性能提升。

OpenRouter 评测 Seedance 2.5：长单镜头与视频引用场景的优势与取舍

OpenRouter 发布 Seedance 2.5 评测。该模型自 2026 年 8 月 7 日上线其视频 API，支持 4 到 30 秒、480p 或 720p、首尾帧控制及图像、视频、音频引用，音频同趟生成不加价。