评测跑分

Google 为 Android Bench 基准测试添加了更多大语言模型，但自家 Gemini 模型表现仍不及竞品，开发者可参与测试标准制定。

Anthropic 的 Claude Fable 5 在金融、法律、医学等六项行业性能指标中排名第一，但单次任务成本高达 3.48 美元，是 DeepSeek V4 Pro 的百倍以上，引发了关于性能与成本平衡的讨论。

OpenAI最新分析指出，流行的编码基准测试SWE-Bench Pro存在可靠性问题，可能影响AI模型评估的准确性。

OpenAI将于周四发布GPT-5.6，此前因美国政府要求额外测试而推迟。新模型在编码基准测试中优于Anthropic的Claude Mythos 5，成本仅为其一半。

Anthropic推出Claude Sonnet 5，在多项基准测试中表现优异。

GPT-4在Epoch能力指数上领先约一年，而自2024年2月以来，榜首已易手17次，中位领先时间仅七周。

百度推出“无限OCR”技术，通过改进注意力机制使内存占用恒定，单次可处理数十页文档，在OCR基准测试中排名第一。

新基准DiscoBench显示，AI搜索代理在多步研究中失败的主因是不向用户澄清模糊查询，而非搜索能力不足。即使最佳模型准确率也仅43%，而消除歧义后准确率可提升40个百分点。

ScarfBench是一个新基准，用于评估AI代理在企业级Java框架迁移中的表现。它包含多个真实世界的迁移任务，旨在衡量代理的代码理解和重构能力。

Hugging Face在模型页面上集成了Open LLM排行榜的所有评估结果，方便用户直接查看模型性能。

OpenAI 发布了 Genebench-Pro 基准测试，用于评估模型在复杂任务上的表现。

OpenAI发布GeneBench-Pro，这是一个新的基准测试，用于评估AI在基因组学、生物学和科学研究中的表现。