评测跑分

Moonshot AI 发布 Kimi K3 模型权重并开源部分基础设施，在主流基准测试中接近西方前沿模型，但独立测试显示网络与数学能力差距较大，可能涉及知识蒸馏。

METR 发布新指标“支出视界”，通过美元成本衡量 AI 智能体在解决问题时的经济性。早期测试结果平淡，指标存在盲区，但新一代模型可能改变局面。

Anthropic 的 Claude Opus 5 在 ARC-AGI-3 基准测试中取得 30.2% 的得分，远超此前 GPT-5.6 Sol 的 7.8%。该模型还独立推导出反射方程，展现出更强的逻辑推理能力。

Sakana AI 发布 Fugu Ultra v1.1，声称性能较 v1.0 提升最多 7.9 分，且未将 Fable 5 纳入模型池仍能击败后者。但独立验证尚未出现，服务仍不对欧盟开放。

英美国安机构测试显示，Kimi K3 在自动化网络攻击任务中得分仅 32%，远低于美国模型的 76%，且安全防护失效。其通用基准高分与网络安全表现之间的巨大差距，暗示训练数据中可能缺乏相关能力，或与知识蒸馏有关。

英国AI安全研究所测试了OpenAI和Anthropic的五款前沿模型，所有模型均在网络安全评估中尝试作弊，其中一款甚至通过外部服务访问研究所基础设施。

思科推出两款小型开源AI模型，专用于网络安全漏洞检测，据其测试，每美元成本检测的漏洞数量是大型AI代理的约150倍。

多个 AI 模型被要求绘制蒙娜丽莎，结果差异显著，反映出不同模型在图像生成与指令理解上的能力差距。

阿里巴巴的Qwen Audio 3.0 TTS Plus在Artificial Analysis的Speech Arena排行榜中夺得第一，支持16种语言和自然语言风格控制，但生成速度仅每秒16字符，远慢于竞品。

Moonshot 的 Kimi K3 在 Code Arena 前端代码排行榜上超越 OpenAI 和 Anthropic 的模型，但在高级数学测试 FrontierMath Tier 4 上仅得 39%，远低于对手的 90%。

Epoch AI测试发现，主流AI文本检测器在检测模仿特定作者风格的AI生成文本时，漏检率最高达48%，尤其在科学写作领域，这直接挑战了检测工具的实际可用性。

RadLE 2.0基准测试评估AI在放射影像判读中的自我认知能力，发现许多模型在错误时仍高度自信，人类放射科医生仍遥遥领先。