评测跑分

微软发布MAI Code 1.1 Flash，声称成本降低四分之一且效率提升，但基准测试显示其性能远逊于更便宜的DeepSeek V4 Flash，凸显微软在开源与闭源策略间的矛盾。

英伟达发布开源权重模型Nemotron 3.5 Lightning，仅3.6B活跃参数在智能指数上匹敌OpenAI的gpt-oss-120b，且生成速度达每秒670 tokens，凸显小模型高效路线。

Hugging Face 发布 ACE 基准，强调在复杂任务中减少 Token 消耗可显著提升效率与性能，为开发者提供新优化思路。

Hugging Face与EleutherAI的FineBooks项目测试了14种开源OCR模型，最佳模型字符准确率达97.6%，每千页成本不足2美元，为大规模清洗历史书籍文本提供了新方案。

新研究发现，读者无法区分AI与人类创作的短篇小说，且AI作品初始评分更高，但一旦得知作者是机器，评分便显著下降。

xAI推出Imagine Image 2.0图像生成器，在Arena基准中排名第二，仅次于OpenAI的GPT-Image-2，并新增Magic Wand等编辑工具。

Hugging Face 发布 TutorMoments 数据集，聚焦 AI 辅导中‘何时该帮、何时该等’的时机判断，为教育 AI 提供新评估维度。

Anthropic 将 Fable 5 的生物安全过滤误报率降低约 85%，使更多常规生物查询不再被拦截，但针对病毒学、毒理学等敏感双用途领域仍保留严格限制。

Composio 测试显示，Claude Code 在四个 Agent 框架中速度最快，但单任务成本高达 0.195 美元，是 OpenCode 的近三倍。框架选择正从性能转向成本与速度的权衡。

阿里 Qwen3.8 Max 在 Artificial Analysis 智能指数上跃升 10 分至 56，追平 Claude Opus 4.8，但月之暗面 Kimi K3 得分更高且成本低 25%，引发性价比之争。

OpenAI近日就第三方网络安全评估中涉及其模型的事件进行说明，并宣布加强AI模型测试与评估的新保障措施，引发行业对AI安全评估流程的关注。

Computer Anthology 是一个不断演进的基准测试系列，旨在评估 AI 智能体在真实计算机任务中的表现。本文解读其背景、意义及对智能体开发的影响。