模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
当前仅显示精选新闻Manus 用同一个 Solace Studio 健康工作室应用提示，实测 Manus、Lovable、Base44、Replit、Bubble、Figma App Builder 和 Glide 七个平台。结论是 Manus 综合最佳，几乎从单一提示交付支付、取消政策和预订逻辑等完整堆栈；Lovable 原型最精美，Replit 最适合开发者，多数平台仍主要生成前端，后端逻辑需手动补齐。
推荐理由：同一提示实测七款工具，指出多数平台只生成前端而支付与预订逻辑才是分水岭，结论可用于选型参考。
Sayash Kapoor、Arvind Narayanan 与 Stephan Rabanser 等人发布 66 页论文《Towards a Science of AI Agent Reliability》，将智能体可靠性拆解为一致性、鲁棒性、可预测性、安全性四维共 12 项指标。
推荐理由：论文把智能体可靠性拆成12个维度并实测14个模型，显示18个月内准确率大涨而可靠性仅小幅提升。
Factory 宣布其软件开发智能体 Droid 以 58.8% 的任务解决率在 Terminal-Bench 排行榜第一，Opus 4.1、GPT-5 和 Sonnet 4 三种单模型配置均显著领先其他单模型智能体，并超过 Codex CLI（42.8%）和 Claude Code（43.2%）。
推荐理由：原文在成绩之外给出智能体设计的可复用做法，如分层提示词、模型专属适配和精简工具，能帮助改进自己的 Agent。