DeepSeek V4.1 Flash 实测：4 块钱复刻「特斯拉能飞」3D 网页
爱范儿实测新版 DeepSeek V4.1 Flash 1017，用提示词生成「特斯拉能飞」动态 3D 网页耗时 35 分钟，消耗输入 3752 万 Token、输出 33 万 Token，缓存命中率 99.6%，成本约 4 元，而同样效果用 GPT-6.1 Sol 或 Claude 模型至少需 100 元。
#评测/基准
爱范儿AI 评分7272 新智元AI 评分2828 网易LobsterAI发布《中国办公Agent用户行为报告》（9月版）：智谱GLM Token份额环比激增166.7%，居头部厂商之首
网易LobsterAI发布《中国办公Agent用户行为报告》（9月版），智谱GLM Token份额环比激增166.7%，居头部厂商之首。报告背后，智谱今年以来持续开源迭代GLM-4系列基座大模型，坚持全栈自研并全面拥抱国产算力，跑通了“模型+算力”的国产路线。
雷峰网AI 评分5959 Meta Muse Wonder 熔岩灯测试失败引发刷分争议，Alexandr Wang 回应
Meta 于 10 月 12 日发布 Muse Wonder 和 Muse Wonder Full，官方成绩亮眼，Wonder Full 在 SWE-Marathon 拿到 57.5 分，但 BridgeMind 的 3D 熔岩灯测试中模型只生成了红色圆柱体，马斯克在相关帖子下回复 Hmm。
新智元AI 评分2929 大晓机器人 ACE-Brain-0.6 发布：六项评测超越 GPT-6 Astra，以数据 Scaling 推动具身空间智能
大晓机器人发布具身智能模型 ACE-Brain-0.6，在六项评测中超越 OpenAI 的 GPT-6 Astra。该模型通过数据 Scaling 提升具身空间智能，推动 AI 迈向真实物理世界的跨本体、跨场景、跨任务通用交互能力。
新智元AI 评分1818 哈佛谷歌研究：GPT-6 Astra 已解决 98% 世界物理难题
一项新研究显示，GPT-6 Astra 在全新理论物理难题上达到 98% 的解决率。该结果来自理论物理学评测 TheoPhysEval，在学术界引发震动。
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。
钛媒体AI 评分4343 Hugging Face 发榜，StartLux-Decision-v1.1 稳居决策模型 SOTA
StartLux（原点星辉）的 StartLux-Decision-v1.1-27B Instant 以 69.1 分登顶 Hugging Face Decision Index 0.3.2 榜单，在 173 项公开复现模型中排名第一，是唯一突破 69 分的模型。
新智元AI 评分2727 Gemini 4 Argon 打穿 AGI 终极考场：ARC Prize 官方公布成绩
ARC Prize 官方在 X 上公布，谷歌 Gemini 4 Argon 在 AGI 终极考场 ARC-AGI 上取得突破性成绩。谷歌由此啃下了这块“最硬的骨头”，具体分数原文暂未披露。
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。
量子位AI 评分6060 智谱发布法律专用开源模型 GLM-Legal，登顶 Harvey LAB 与 LegalBench 开放权重榜
智谱推出法律专用开源模型 GLM-Legal，在 Vals AI 测评中以 19.2% 任务全通过率和 86.23% 准确率位居 Harvey LAB 与 LegalBench 双榜开放权重模型榜首。
Latent SpaceAI 评分4545 Latent Space 新节目《High Taste Testers》第 1 期上线
Latent Space 推出新节目 High Taste Testers 第 1 期，以旧金山午餐对谈形式聊 Dev Day 与最新模型和助手。
The DecoderAI 评分7171 Google DeepMind 发布 Gemini 4 Argon，ARC-AGI-3 得分 97.5% 逼近前沿
Google DeepMind 发布 Gemini 4 Argon，在使用 Provider Adapter Harness 的测试下以 4800 美元成本在 ARC-AGI-3 拿到 97.5%，成为继 OpenAI 之后第二家跨过 95% 的实验室；在 25 个公开游戏中所需动作数比人类基线少 62%。
The Verge · AIAI 评分5757 The Verge 实测一周 Nvidia RTX Spark N1X 笔记本：游戏尚可、CPU 落后 Apple、本地 AI 仍像 beta
The Verge 三位编辑用五款搭载 Nvidia RTX Spark N1X 的笔记本（Surface Laptop Ultra、Asus ProArt P16、Lenovo Yoga 9n、HP OmniBook Ultra）实测一周。
量子位AI 评分4646 优必选 Thinker-WM 登顶三大具身世界模型基准：多模态统一表征，单模型实现六大能力
优必选 Thinker-WM 在 WorldOlympiad（综合得分 0.740）、EWMBench（总分 4.66）和 WorldArena1.0 Track-1 三大具身世界模型基准全部拿下第一，超过 Qwen-RobotWorld、Sora2 等主流模型。
爱范儿AI 评分6262 华硕 ProArt 创16 RTX Spark 笔记本首发实测：本地跑 27B 模型，WorkBuddy 零成本用智能体
爱范儿实测首批搭载英伟达 RTX Spark 芯片的华硕 ProArt 创16 笔记本，64GB 统一内存版 28999 元，128GB 版 37999 元。实测 Qwen3.8 27B 模型生成速度约 14 token/s，Qwen3 32B（NVFP4）达每秒 55–60 tokens；99.9Wh 电池持续跑 27B 模型可离电运行约 1 小时。
量子位AI 评分6161 量子位实测蚂蚁百灵开源模型 Ling-3.1-flash：面向真实工作流的高智效比模型
量子位深度评测蚂蚁百灵开源模型 Ling-3.1-flash，该模型主打完成真实工作流任务，总参数约560B、每Token激活约25B，采用线性Attention加稀疏MoE混合架构，上下文窗口上限1M。
The DecoderAI 评分6868 Google 发布 Gemini 4 Argon，用单一模型覆盖机器人控制、仿真训练与数据评估
Google 推出面向机器人全流程的模型 Gemini 4 Argon，可控制机器人、生成虚拟训练仿真并评估训练数据质量，现已向 Google AI Ultra 订阅用户开放，开发者可通过 Gemini API 付费层使用。
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%。
爱范儿AI 评分6565 Surface Laptop Ultra 首发体验：搭载 RTX Spark N1X 的 AI 全能本实测
爱范儿第一时间上手搭载 RTX Spark N1X 的 Surface Laptop Ultra，该机于 10 月 16 日正式上市。芯片最高提供 20 核 Grace CPU、Blackwell RTX GPU 和 128GB 统一内存，FP4 稀疏算力标称 1 PFLOPS。
新智元AI 评分3737 谷歌全新 Gemini 4 Argon 实测出炉
谷歌推出 Gemini 4 Argon。跑分显示，它在文本和逻辑方面与 GPT-6 Astra、Claude Opus 5.5 竞争激烈，表现互有胜负，一度被认为掉队的谷歌重回第一梯队。
AWS Machine Learning BlogAI 评分3030 使用 Amazon SageMaker JumpStart 部署和评估模型
Amazon SageMaker JumpStart 提供预训练模型目录，并可用 SageMaker Python SDK v3 部署模型、运行可重复的性能测试（测量延迟、输出长度和单请求生成速率），测试后删除 endpoint。
少数派AI 评分5959 Austin Mann 实地评测 iPhone 18 Pro 影像体验：可变光圈与专业控制带来更多创作自由
Austin Mann 在科罗拉多州邓顿河谷营地实测评测 iPhone 18 Pro 相机，认为可变光圈、手动对焦与焦点追踪显著提升了摄影自由度。可变光圈最大 ƒ/1.48、弱光进光量提升 50%，星芒为光学自然产生；焦点与曝光可分离控制，摄影风格 3 新增胶片质感与颗粒调节；参考图像通过签名验证照片真实性，延时摄影升级到 4K 并支持导出单帧。
Latent SpaceAI 评分3131 AI Engineer NYC 大会：Gemini 4 Argon 与 Vals AI 基准测试
Gemini 4 Argon 正式 GA，通过付费 Gemini API、Gemini app 等渠道全球开放，API 引入价为 $2/$10 per million input/output tokens。
Latent Space精选AI 评分8383 Meta 发布 Muse Wonder 与 Muse Wonder Full，MSL 成立 14 个月后跻身前沿模型行列
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder（代号 Watermelon）和 Muse Wonder Full，前者经 Meta Model API 和 Muse Code 提供，后者仅限 Muse Code 订阅用户，定价 $4/M 输入、$20/M 输出，1M 上下文窗口。
推荐理由：汇总了 Muse Wonder 系列的定价、第三方评测和从业者正反反馈，读者可以据此对比它与 Opus 5.5、Fable 5.1 的实际位置。
钛媒体AI 评分3737 钛晨报：国内首个AI全产业链评测基准“求索”4.0发布，DeepSeek据称将完成1000亿元融资
10月13日，国内首个面向算力、模型算法、智能系统与产品、行业应用、安全治理的AI全产业链评测基准“求索”4.0正式发布，配套电力、医疗、钢铁等真实业务测试负载，分为四大板块、16项测评工具，轻量版代码工具开源。
量子位AI 评分3737 魔法原子具身Agent框架EchoPolicy-0拿下MolmoSpaces全球第一
魔法原子的VLM Agent框架EchoPolicy-0在AI2发起的具身智能零样本评测基准MolmoSpaces Combined榜单上，以75.4%的四项任务等权平均成功率位列全球第一，覆盖全部4个v1任务。
钛媒体AI 评分7070 Meta AI逆转复盘：29岁汪滔如何带队以个人智能体重返前沿
文章复盘Meta十四个月内从Llama 4溃败到Muse Wonder重回AI前沿的过程，2026年10月12日发布的Muse Wonder和Muse Wonder Full在Artificial Analysis智能指数上分别得52分和56分，后者与Claude Sonnet 5.5持平。
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。
新智元AI 评分3030 Agent组队干活基准评测：最强模型仅完成50%任务
新基准评测显示，即便个体能力最强的AI Agent，在组队协作完成任务时也仅完成50%的任务。该评测聚焦Agent的协作能力，而当前Agent已能独立完成编写代码、开发软件、检索文献及辅助科学研究等工作。
量子位精选AI 评分7878 Google 发布生图模型 Nano Banana 2.1，支持 4K 直出并下调 API 价格
Google 发布新一代生图模型 Nano Banana 2.1，围绕视觉设计、蒙版编辑、主体一致性和画面真实自然性升级，支持 4K 直出。据 Arena 评测，其在文本转图像、多图像编辑和单张图像编辑三项上平均提升约 61.7 分，文本转图像排名第四。
推荐理由：汇总了 Nano Banana 2.1 的评测排名、API 降价与实测反馈，可快速了解这代生图模型的能力边界与短板。
钛媒体AI 评分6060 腾讯混元 Hy4 Preview 在 Arena 对齐指数榜拿下中国第一
Arena 发布 Alignment Index 对齐指数榜单，腾讯混元 Hy4 Preview 以 78.5 分位列全球第 5、中国第 1，越权率 1.47% 为中国实验室最低，虚假完成率 13.24% 高于 10% 的平均水平。
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。
雷峰网AI 评分7171 阶跃 Step 5 Preview 登顶 OpenRouter Trending 榜，10月15日开源
阶跃星辰最新旗舰基座模型 Step 5 Preview 登顶 OpenRouter Trending 榜并位列日榜全球第二，官方称将于 10 月 15 日正式开源。
量子位AI 评分4040 联想天禧自研代码智能体 TianxiCode 登顶 SWE-bench-Live 全球第一
联想天禧AI自研代码智能体框架 TianxiCode 配合 DeepSeek-v4.1-Flash，在 SWE-bench-Live（Lite 分榜）以 71% 的问题解决率登顶全球第一，并通过官方 Verified 核验。TianxiCode 具备跨文件多跳检索、自驱动规划与多轮工具调用、闭环补丁生成与测试驱动自愈三大工程能力，未来将落地联想 AI 硬件产品。
TechCrunch · AIAI 评分6262 AI 排行榜 Arena 完成 2 亿美元 B 轮融资，估值达 31 亿美元
AI 模型众包排行榜 Arena 宣布完成 2 亿美元 B 轮融资，估值 31 亿美元，由 Lightspeed Venture Partners 和 Khosla Ventures 领投，Salesforce Ventures、01 Advisors、Dell Technologies Capital、Endeavor Catalyst、a16z、Felicis 等参投。
Latent Space精选AI 评分8080 Anthropic 发布 Claude Haiku 5.5，定价对齐 GPT-6 Luna
Anthropic 发布 Claude Haiku 5.5，这是 Haiku 系列约一年来的首次更新，定价与 OpenAI 的 GPT-6 Luna 持平，官方称其平均运行成本比 Haiku 4.5 低约 75%。
推荐理由：汇总了 Haiku 5.5 的定价、独立评测与 token 消耗数据，可据此判断小模型在智能体工作流中的成本取舍。
Microsoft ResearchAI 评分2222 Microsoft 研究员 Jennifer Neville 谈 AI 评测的意外失败与真实世界表现
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统性能边界，以及模型在传统 benchmark 之外测试时出现的"意外失败"。她结合自身从数学、物理、认知科学到计算机科学的经历，分享与当前 AI 系统协作的实用建议，并强调当结果超出预期时应仔细审视数据。
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。
Latent SpaceAI 评分7575 AINews 汇总：GPT-6.1 Sol 与 Sonnet 5.5 重塑成本性能边界
Latent Space 的 AINews 汇总了 10 月 1 日至 2 日的 AI 动态，核心是 OpenAI 发布 GPT-6.1 Sol，定价为每百万输入/输出 token 2 美元和 10 美元，远低于 Astra 的 10 美元和 50 美元。
Latent Space精选AI 评分7878 Gemini 4 Argon 发布：GDM 对标 Astra/Fable，支持 1M 输出
Google DeepMind 发布 Gemini 4 Argon，面向编码、企业知识工作与网络防御，先在 Fairwind 计划的政府用户和可信网络安全人员中开放，之后才面向开发者、企业和消费者。
推荐理由：汇总 Gemini 4 Argon 的基准、定价与可用范围，并列出评测方对数据的质疑，便于判断其真实位置。