Google 与 Mercor 发布 PLE 基准，Claude Opus 5.5 满足 91% 单项约束但仅 41.3% 设计过安全门槛
Google 与 Mercor 发布 Physical-Engineering's Last Exam（PLE）基准，以 85 项机械、电气、土木与结构工程任务评测工程 Agent。
#评测/基准
雷峰网AI 评分6262 新智元AI 评分2121 OpenAI 发布 AGI 新标准 LifeVal
OpenAI 推出酝酿已久的 AGI 评测基准 LifeVal。发布正值关于 GPT-6.2 Astra 的爆料在 X 上疯传之际。该标准被描述为面向可接管全球任务的 AGI 能力衡量，价值 1.7 万亿美元。
The DecoderAI 评分4040 开源基准 CloudOpsBench 揭示：推理是 AI 应对云运维的最大瓶颈
密歇根大学 Ang Chen 团队发布开源基准 CloudOpsBench 1.0，包含 45 个 AWS 云运维任务，由资深 DevOps 工程师构建。Claude Fable 5.1 解出 60%，GPT-6 Astra 为 53%，无一模型全部完成。约 80% 的失败源于智能体误判任务范围、未检查相关服务或过早停止，约 20% 为错误操作且部分后果不可逆。
The DecoderAI 评分6666 斯坦福研究：50 项 LLM 已知结论中 44% 已随模型迭代过期
斯坦福研究者 Owen Queen 和 James Zou 用 2024 年 7 月至 2026 年 9 月间 8 家开发者发布的 20 个模型检验 50 项被广泛引用的 LLM 结论，44% 已过期，34% 明显减弱，仅 16% 仍成立。
雷峰网AI 评分7171 实测对比 GPT 6.1 Sol 与 Claude Sonnet 5.5：三项真实任务谁更划算
雷峰网用 Claude Code CLI 通过 OpenRouter 同价调用 GPT 6.1 Sol 与 Claude Sonnet 5.5，完成 3D 密室开发、政策调查和诺奖化学科普三项任务。
OpenAI NewsAI 评分2222 OpenAI 发布 LifeVal：衡量 AI 完成日常任务能力的基准
OpenAI 推出 LifeVal，一个衡量 AI 在完成日常任务方面表现的基准。该基准覆盖从寻找托儿服务到管理财务和政府文书等日常场景。
新智元AI 评分1717 EMNLP'26｜GPT 也不会「读空气」：狼人杀基准测出多模态大模型社交盲区
一项发表在 EMNLP'26 的研究用狼人杀式基准测试多模态大模型的社交推理能力：模型虽能看到表情、听到声音，却难以判断「我不是狼」这类陈述的真假。结果显示 GPT 等多模态大模型在「读空气」类社交场景中存在明显盲区。
The DecoderAI 评分4747 Artificial Analysis 新版 Intelligence Index 扩大开源与闭源模型差距
Artificial Analysis 全面改版其 Intelligence Index 榜单，Kimi K3.1 Pro 从第四名跌至第九名，落后于八个闭源模型；开源模型与榜首的分差从 3 分扩大到 12 分，Grok 4.7 也损失 12 分。
新智元AI 评分3333 人类审稿被 AI 团灭：哈佛最强专家对比 Claude，错误率高达 3 倍
哈佛组织最强人类审稿团与 Claude 对同一批 124 篇论文各写审稿意见，在七个审稿维度上人类一项都没赢，人类审稿的错误率达 AI 的 3 倍。结果显示 Claude 在审稿质量上全面领先，凸显 AI 在学术评审环节的应用潜力。
新智元AI 评分2828 港科广（HKUST-GZ）新基准：只给截图，AI 能把 App 交互做出来吗？
港科广团队推出一个新基准，测试 AI 只凭网站截图能否生成真正可交互的应用，而不只是「看起来很像」的静态网页。评测关注商品加入后购物车是否更新、切换页面后状态能否保留等实际交互能力。
TechCrunch · AIAI 评分6464 研究称 Grok 4.7 被迫选边时 92% 推荐共和党人，GPT-6.1 Sol 97% 推荐民主党人
Convovo 研究通过 API 要求 Grok 4.7 和 GPT-6.1 Sol 在近 500 个选区中明确推荐一名候选人，Grok 92% 推荐共和党人，GPT 97% 推荐民主党人，两者一致率不足 10%。
The DecoderAI 评分6767 研究称花哨的 coding agent harness 更贵但并不提升通过率
Liu 和 Han 的研究让 5 个模型跑 3 种 harness，发现换 harness 的影响与同设置重跑相当，通过率差距多在噪声范围内，但 token 消耗可差 2 到 3 倍。
钛媒体AI 评分6363 哈佛研究称AI审稿意见全面胜过人类专家，陶哲轩等数学家坚持AI须过同行评审
哈佛研究人员10月22日发表论文，对比134组AI与人类审稿意见，AI在七个评价维度全面领先；三位前期刊主编盲评30次中26次判AI更好，AI审稿事实错误率5.5%低于人类的15.9%。
The DecoderAI 评分5454 Taste-Bench 基准测试显示 AI 智能体长期决策品味不佳
新基准 Taste-Bench 用智能体运行轨迹中的决策分叉测量长期决策的"品味"，包含 502 道二选一问题。
新智元AI 评分2626 新基准开测「AI第六感」：人类一眼秒懂，最强模型只拿53.6分
新基准测试评估 AI 的「第六感」，考察模型在人类一眼就能理解的视觉任务上的直觉判断能力。表现最强的模型仅得53.6分，而人类可轻松看懂；即便模型用上万枚推理 token 详细分析视觉题，仍与人类表现存在差距。
The DecoderAI 评分7171 GPT-6-Astra 在物理研究基准 TheoPhysEval 上答对 49/50 题，单题成本约 $2.40
研究者推出测试常规理论物理研究工作的基准，GPT-6-Astra 在 OpenAI Codex 环境中答对 50 题中的 49 题，平均单题成本低于 $3，全程约 $116；Anthropic Opus 5.5 在 Claude Code 中以 92% 位居第二，Gemini 3.8 Flash 得 68%。
量子位AI 评分7171 何恺明团队发布多模态视觉原生 Harness 框架 VISTA
何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出视觉原生 Harness 框架 VISTA，让现有多模态模型直接观察环境、保存原始画面，并在推理时随时回看、放大和检查细节，无需从头训练。
雷峰网AI 评分5050 WorldArena 2.0 挑战赛结果揭晓：JEPA 与空间智能路线正面交锋，视启未来、小米机器人分获赛道第一
WorldArena 2.0 Challenge 在 IROS 2026 揭晓终榜，视启未来 WorldIncept 以 72.33 分拿下 Track 1 视频质量赛道第一，同济大学 BWM-Turbo 以 71.49 分位列第二。
GitHub Blog · AI & ML精选AI 评分6262 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，研究预览版已上线官网。基准基于 1.039 亿个 GitHub pull request 的分布构建，包含 19 种语言、187 个开源仓库的 219 个 pull request，采用多来源 golden set 与统一评分标准，发布前由资深工程师独立复核，真阳性判断一致率 96.6%。
推荐理由：GitHub 公开了代码审查基准的构建方法与评测口径，读者可据此判断自家审查智能体的强弱项。