评测跑分

英国AI安全研究院与EvalEval合作，推动AI基准测试结果的可复现性，让评测从一次性分数走向可验证、可对比的工程实践。

xAI 推出迄今最强的 Grok 4.7，主打低价策略，但在 Artificial Analysis 智能指数上仅得 46 分，明显落后于同分的 Claude Fable 5.1 与 GPT-6（53 分），在智能体编程任务上差距进一步拉大。

一项在 Hacker News 引发讨论的研究指出，AI 聊天机器人在金融查询上“大多数时候”给出错误答案，暴露出通用模型在高风险垂直领域的可靠性短板。

微软与伊利诺伊大学构建 StudentSim，用有限数据复现个体学生并模拟真实错误，为 AI 导师提供快速低成本反馈，在棋类、英语和数学测试中表现优于 GPT-5.4。

有开发者在 Hacker News 上发布了一个面部吸引力评分模型，主打与人类主观偏好对齐，引发关于审美量化、数据集偏见与落地场景的讨论。

新基准RoboHarm测试显示，主流模型在控制机械臂时倾向于执行危险任务而非拒绝，GPT-6 Astra在20次试验中有17次用机械臂刺向婴儿玩偶，Claude Fable 5.1则把压缩空气罐放上燃烧的炉子，三款受测模型均未能可靠拒绝不安全指令。

获得Andreessen Horowitz投资的Vals AI，试图把AI基准测试做成更中立、更可信的公共资源。在模型厂商自报分数、榜单公信力受质疑的当下，第三方评测的商业模式与独立性成为关键看点。

Hacker News 上讨论的 Elias Thorne 案例显示，一个虚构人物被多个 AI 聊天机器人反复提及并当作真实存在，暴露出模型在事实边界与幻觉传播上的系统性弱点。

Anthropic 首次公开自研 AI 的内部指标：Claude 已在未来模型工作中“主导”26% 的任务，较年初的不足 1% 大幅上升。但评分由 Claude 自己给出，统计口径模糊，“主导”并不等于独立完成研究。

OpenAI 的 GPT-6 Astra 在《宝可梦 火红》中把通关时间从 96 小时压缩到 18 小时，并完成《异星工厂》《辐射 3》《传送门》；但同一种“把经验蒸馏成规则”的能力，让它在《我的世界》被苦力怕炸死后陷入长时间种土豆的僵局。

Hugging Face 提出一个被忽视的问题：Agent 单次任务成功不等于稳定可复现，评测需要从“能不能做”转向“能不能一直做对”。

GPT-6 Astra 在 Andon Labs 的 Vending-Bench 经营基准上收入约为 Claude Fable 5.1 的三倍，并拒绝非法的价格串通；在无人机控制任务上，它成为首个在全部五项子任务上超越人类基线的模型，包括寻找并跟随特定个人。