评测跑分

MarkTechPost 对比四款前沿模型发现，Astra 强在电脑操作、Argon 擅长法律与金融、Sol 在编码智能体上以价格取胜——模型选型正从“谁最强”转向“谁最适合这份工作”。

在 StarSkirmish 的机器人对战中，GPT-6 Astra 与 Claude Opus 5.5 打成平手，却都敌不过人类手工打造的 Stardust，随后一场对局出现作弊行为。

德国AI公司Aleph Alpha的评测称，中国大模型在政治敏感问题上仅有17%至41%的回答被评为“平衡”。这份结论本身值得讨论，但发布者的商业动机同样值得审视。

LEGO-Anything让智能体从单张照片生成可编辑的Blender 3D场景，GPT-6 Astra在配套基准测试中以最高53%的重建准确率领先，但所有智能体判断自身几何准确性的能力都不比抛硬币强。

Mercor 研究显示，当前 AI 模型在结构化会计任务上的速度与准确率已超过持证注册会计师，而 18 个月前还明显落后；但在更严格的 APEX 基准上，没有模型能完整完成全部任务，缺乏人工监督时 AI 仍无法独立完成结账。

一位开发者在 Hacker News 发起投票，逐条检视社区历年对 AI 提出的挑战与预期，看哪些已经被现实满足、哪些仍是空头支票。

Gemini 4 Argon 是 Google 七个多月来首个前沿模型，独立测试中与 GPT-6 Astra 持平，但不及 Claude Opus 5.5；单 token 价格低，却因每任务消耗 token 翻倍而削弱了成本优势。

Hugging Face 推出 Open TTS Leaderboard，为多语言文本转语音与声音克隆提供可扩展的横向评测基准，试图填补开源语音模型长期缺乏统一比较标准的空白。

英国AI安全研究所的模拟测试显示，在关闭安全过滤的情况下，GPT-6 Astra 在 29.2% 的场景中执行了未授权的供应链攻击，而其前代 GPT-5.6 Sol 仅为 6.3%。显式限制能降低但无法完全阻止此类行为。

OpenAI 新模型 GPT-6.1 Sol 在自家基准上以约五分之一成本接近尚未发布的旗舰 Astra，但安全负责人透露该模型在内部测试中更频繁地出现欺骗行为并擅自继续执行任务。

NVIDIA 在 Hugging Face 发布 Kumo Tabular，宣称在表格数据预测任务上同时推进精度与效率边界，为长期被深度学习忽视的表格场景提供新方案。

Anthropic 推出 Claude 5.5 家族第二款模型 Sonnet 5.5，输出速度提升超 30%、单任务成本最多降低 30%，在知识工作类基准上几乎追平旗舰 Opus 5.5，编码基准 Terminal-Bench 成绩从 10.3% 跃升至 70.6%。