评测与基准

谷歌 Gemini 4 Argon 逼近 AI 前沿，但测试方法与数学编码仍存短板

Google DeepMind 发布新前沿模型 Gemini 4 Argon，在 ARC-AGI-3 基准上以 97.5% 的成绩成为继 OpenAI 之后第二家突破 95% 的实验室，仅次于 GPT-6 Astra 的 99.9%。但该成绩依赖使用厂商特定功能的 Provider Adapter Harness 测试环境，在仅允许简单笔记的 Standar

Grafana 将 SLO 与错误预算应用于 AI Agent 行为

Grafana Labs 提出将站点可靠性工程中的 SLO 与错误预算方法应用于 AI Agent 行为评估，把幻觉、任务完成度、毒性、成本等行为转化为可测量的 SLI 与 SLO 目标。该方法强调质量是多维的，应分别度量而非合并为单一分数，并通过错误预算消耗来发现 Agent 质量的渐进式漂移。文章同时指出，SLO 的有效性取决于底层评估的准确性，仍需代表

字节 Seed 成立对齐与准备团队，全球招募 10 名研究员

字节跳动 Seed 宣布新成立 Alignment & Preparedness 团队，面向全球招募 10 名研究人员，以加强其模型的安全与对齐能力。团队工作涵盖安全评估体系、预训练到 RL 各阶段的对齐训练、攻防自博弈对抗训练、可监控性与可解释性，以及与高校和第三方机构合作开展前沿安全研究。Seed 表示将提供与前沿模型研究相匹配的算力和资源，长期投入该领

BD-HazardVLM：评估视觉语言模型在孟加拉国道路场景中的潜在防御性驾驶危险

研究者提出 BD-HazardVLM，一个包含 500 张孟加拉国道路场景图像的诊断基准，用于评估视觉语言模型的防御性驾驶推理能力。他们用统一零样本任务定义和结构化输出模式测试了 Qwen2.5-VL-7B、InternVL3-8B 和 MiniCPM-V-4.6。结果显示，二分类危险存在准确率（88.0%-89.2%）与多数类基线（89.0%）基本持平，而

HPCAgent-Bench：代码优化智能体的可靠基准框架

研究者提出 HPCAgent-Bench，一个用于评估代码优化智能体、工具链与技能的开源基准框架，包含 689 个内核，覆盖循环级优化、HPC 代码和机器学习模型三个赛道。框架用 NumPy 统一指定内核并派生 C/Fortran 参考实现，通过外部裁判在隐藏模糊输入上校验正确性并计时，防止智能体作弊。作者还提出干预效能和加权 token 成本两项指标，用于

Idea2Prior：从研究想法出发的可审计论文检索与排序

研究者提出 Idea2Prior，一个基于 PaperArena 的可审计文献检索与排序系统，结合多源发现、身份验证、摘要分面评估、语义引用扩展和联合专家排序。在覆盖 EASY、MEDIUM、HARD 各十个查询的历史对比中，其 Hit@5 为 53.3%，高于 ChatGPT 网页 Deep Research 的 43.3% 和 Gemini 网页 Dee

Orbia：生成视频能否构成一致的3D世界？

该论文提出 Orbia，首个系统性评估交互式世界模型 3D 一致性的基准。它通过受控探索与重访，从输入保持、生成内容持久性和 3D 自一致性三个维度进行评测，并构建了涵盖室内外场景的 720 个实例和六种探索-重访协议。研究对 27 个文本、动作和相机条件模型进行了评测，为诊断 3D 不一致性和开发更持久视频世界模型提供系统基础。

MetaShare：面向开放式智能体的失败感知集体自改进

论文提出 MetaShare，一个面向开放式自改进智能体的失败感知集体自改进框架。它将每次自修改记录为带符号性能增量的机制级记录，成功与失败分通道检索，并由任务盲审计器补充缺失机制类别、基于嵌入去重。在论文评审、编程、数学评分、机器人奖励设计和金融审计风险五个领域，MetaShare 的中位表现匹配或超过 DGM-Hyperagents，并少用 1.7–2.

WorldCast：多步世界状态预测的视觉生成基准

来自清华、美团 LongCat、港中文、北大、MBZUAI、上交、华科的研究者提出 WorldCast 基准，用于评估多模态生成模型在多步世界状态预测中的能力。该基准包含 8 个类别共 320 个人工设计案例，评测了 12 个代表性模型。结果显示 GPT-Image-2.5 System 得分 72.8，展现出初步的真实世界视觉状态预测能力，而 Nano B

RLVR域外增益有多少来自答案格式？

该论文研究RLVR（可验证奖励强化学习）在域外基准上的增益有多少来自答案格式变化而非实际能力提升。作者用固定提取器重新评分四个已发布的7B SimpleRL基座-RL模型对，发现MMLU、MMLU-Pro和ARC-Challenge上82%的域外多选题增益是格式增益——基座模型本已在文本中给出答案，RL只是把答案移入\boxed{}中，而公开代码的提取器优先

OmniCompass：全模态视频定位与理解整体基准

研究团队提出 OmniCompass，一个面向全模态视频定位与理解的整体性基准，通过时序定位、空间定位和问答任务评估视觉-语言与音视频推理能力。该基准包含 OmniCompass-VL 和 OmniCompass-AV 两条评测轨道，共 820 个视频、2460 个实例，并配有 240 个视频、720 个实例的音视频子集，所有实例均经人工多轮质量校验。对 5

Cerebras：再强的模型也救不了糟糕的 harness

Cerebras 博客发文指出，智能体由模型、harness（运行框架）和环境组成，harness 决定模型能看到什么、能执行哪些动作以及结果如何反馈。文章引用论文数据称，同一 Claude Opus 4.5 模型在标准化 SEAL 框架下 SWE-bench Pro 得分为 45.9%，经 Claude Code 运行则达 55.4%，说明基准结果属于模型

Anthropic 向 METR 研究员开放员工级访问权限

Anthropic 宣布向非营利机构 METR 的六名研究员开放员工级访问权限，允许其使用公司笔记本电脑、办公空间和内部工具，独立评估 Anthropic 的模型、安全实践与风险管理。METR 可自行发布评估结果，Anthropic 无权否决，仅可在客户数据、律师特权信息、模型架构等预设范围内要求删减。此举是 Anthropic 三层评估体系中的最高层级，也

Google 推出 Gemini 4 Argon，欲以单一模型覆盖机器人全流程

Google 发布面向机器人任务的 Gemini 4 Argon 模型，宣称用单一模型覆盖机器人控制、生成交互式 3D 训练环境以及评估训练数据。演示中它可从照片或草图构建仿真环境，让机器人先在虚拟世界练习再部署到真实硬件，例如让 Boston Dynamics Spot 练习投掷易拉罐，并生成超 4500 条训练片段使真实任务成功率从 56% 提升至 75

另有 1 家信源报道

GPT-6-Astra在理论物理基准TheoPhysEval上解出49/50题

来自ICTS、哈佛、KU Leuven和Google DeepMind等机构的35位研究者发布TheoPhysEval基准，包含50道未发表的理论物理研究题。GPT-6-Astra在OpenAI Codex环境中以98%正确率（49/50）居首，平均每题成本不到3美元；Anthropic Opus 5.5得92%，Gemini 3.8 Flash得68%，开

AWS 提出 Trust in Depth：让智能体更自主又不失控

AWS 在博客中提出「Trust in Depth」框架，主张在可验证的前提下给予 AI 智能体更多自主权，而非依赖人工逐项审批。该框架围绕 Scope、Know、Bound、Observe 四个生命周期阶段构建多层信任，并借助 AWS 已运行十余年的自动推理技术（如 IAM、Nitro Hypervisor、S3 Block Public Access）来

Langfuse v4.60.0 发布：新增组织级连接与计费账本

Langfuse 发布 v4.60.0 版本，新增组织级 LLM 连接、基于 ClickHouse 追加式账本的计费单元记录、评估器画廊评分预览、追踪提示缓存命中率展示、自托管出站主机白名单等功能，并修复了 Web UI、OpenTelemetry 映射、查询 AST 类型对齐、认证权限提示等多项问题。该版本主要面向使用 Langfuse 进行 LLM 可观

蚂蚁百灵开源Ling-3.1-flash，主打真实工作流任务执行

蚂蚁百灵开源推出Ling-3.1-flash模型，主打真实工作流任务执行，可跨网页、文档、表格和代码环境完成多步骤办公任务。模型采用约560B总参数、每Token激活约25B的混合线性注意力加稀疏MoE架构，上下文窗口达1M，并通过混合精度量化将部署GPU从8卡降至4卡。在GDPVal-AA V2.1办公任务评测中ELO得分1673，Artificial A

前华为小艺大模型负责人创业，押注主动式物理AI

前华为小艺大模型负责人唐都钰创办观行数智，提出并押注“主动式物理AI”，即让AI在无明确指令下自主判断何时、如何介入现实事件。团队设计了双模型协同架构ProAgent（StreamingJev负责流式判断、Response Model负责决策执行），并建立自动化数据流程与评测体系ProactiveXBench。据称在介入时效等指标上，其ProAgent已优于

WorldMemBench：视频世界模型记忆能力综合基准

研究者提出 WorldMemBench，一个用于系统评估视频世界模型「世界记忆」能力的基准，包含 260 个测试用例（200 个静态记忆、60 个动态记忆），覆盖人类身份与外观、物体外观与几何、环境内容与几何的保持，以及事件推进与状态持续性。评测九款代表性模型发现，强静态保持能力并不代表可靠的动态状态演化，重复回访会暴露记忆退化。人类研究支持自动指标与人类判