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 钛媒体AI 评分5858 灵光2.0、Today AI、Alice三款个人Agent对比评测
霞光AI实验室用相同任务指令，从应用连接、任务执行、长期记忆、主动服务和交互体验五个维度评测灵光2.0、Today AI和Alice三款个人Agent。三款分别代表工具型、工具加陪伴型、陪伴型思路，其中Today AI能主动识别闹钟时间限制并改用日历提醒，文章认为应用接口权限不足和任务执行不完整是当前个人Agent的主要瓶颈。
钛媒体AI 评分6767 面壁智能 ForgeKernel 当众跑赢 FlashMLA，AI 自造研发管线走到哪一步了
长文记述面壁智能的无人 Agent ForgeKernel 在22.5小时直播中，不参考源码就把 DeepSeek 开源的 FlashMLA 算子从518微秒优化到472微秒，快9.8%，并登顶昇腾 CANNBench 三张榜单和英伟达 SOL-ExecBench 的 FlashInfer-Bench 赛道，随后联合 OpenBMB 开源并发布论文。
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。
爱范儿AI 评分7171 实测 iPhone 国行 Apple 智能：Siri、图片消除、实时翻译等首批功能体验
iOS 27.3 开发者测试版向国内用户开放 Apple 智能测试，由苹果自研端侧模型与阿里千问云端能力共同支撑。实测中端侧图片消除和延迟不到 1 秒的实时翻译表现较好，Siri 复杂任务仍需调用千问且输出简略，写作工具中文改写偏生硬；文章还指出视觉智能疑似向第三方应用开放 API，并提醒首版测试版存在 Bug、索引需一到两天完成。
爱范儿AI 评分7171 腾讯混元 Hy4 正式版发布，实测复刻《王者荣耀》迷你 MOBA
腾讯混元 Hy4 正式版发布，Agent 能力和长程任务较预览版全面提升，在多个 Benchmark 上进入最强开源模型之列，超过 DeepSeek V4.1 Flash、GLM-5.3、Kimi K3.1 Pro 等模型。
雷峰网AI 评分6161 Gemini 4 Carbon 登顶榜单却市值暴跌，谷歌高频发模型背后的战略转向
Google 发布 Gemini 4 Carbon，在17项基准中15项夺冠，Artificial Analysis 智能指数反超 Claude Opus 5.5（58分）和 GPT-6 Astra（57分），但 Alphabet 盘后股价一度大跌约10%，市值蒸发3000至4000亿美元。
The DecoderAI 评分5353 OpenAI 称 GPT-6 Astra 一周内从零设计出一款硬件设备
OpenAI 表示其硬件团队用 GPT-6 Astra 在不到一周内从零设计出一款可与 Codex 编码智能体对话的设备，涵盖外壳设计、PCB 布局、固件和界面。
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6060 REA 逆向工具实测：Gemini 4 Argon 与 GLM 5.3 复刻故宫名画记，细节决定还原度
雷峰网在 OpenCode 中用 REA 与 Reverse-skill 让 Gemini 4 Argon 和 GLM 5.3 逆向复刻故宫名画记网站。Argon 版本保留三列布局、四项筛选和详情页横幅等结构，贴近原站；GLM 5.3 完成浏览流程但改为四列卡片、去掉筛选区，差异较大。
雷峰网AI 评分5454 实测 Grok Bot 对比 WorkBuddy 与 Qoder CN：三款多智能体产品同题撰写大模型路由综述
雷峰网让 Grok Bot、WorkBuddy 和 Qoder CN 分别组建 AI 团队完成《大模型路由研究综述》。Grok Bot 用 12 分 49 秒完稿且收录论文最多，Qoder CN 用 14 分 42 秒展现了拦截引用出处不明问题的交叉纠错，WorkBuddy 用 21 分 43 秒交出最接近编辑底稿的正文。
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。
极客公园AI 评分7373 灵光 2.0 实测：个人 AI 助理的权限、责任与忠诚三重门槛
极客公园花两天实测蚂蚁 10 月 27 日发布的灵光 2.0，并与千问、Muse、Claude Duet 对比，认为个人 AI 助理的瓶颈不在模型推理，而在权限边界、安全责任与商业利益归属。
新智元AI 评分4444 AI 真实工程设计能力大排行出炉：多模型拿零分
新智元报道的一项评测让顶级 AI 模型使用工程师日常的 CAD 和仿真软件，完成曲轴设计、内存布线、涡轮叶片散热计算等真实工程任务，每题限时最多 24 小时。结果显示模型表现远逊于其在数学和代码上的能力，多模型拿到零分。
新智元AI 评分2222 GPT-6「看不懂 3D」实锤！250 道题只拿 0.53 分，Claude 没及格
GPT-6 Astra 画 CAD 的视频虽在 X 上走红，但新测评显示其「看不懂 3D」：在 250 道题上 GPT-6 仅得 0.53 分，Claude 也未及格。
新智元AI 评分4141 中国团队推出真物理世界模型，连拿四个第一力压Genie 4和Atlas
中国团队发布具备真实物理规律的世界模型，在多项评测中连拿四个第一，成绩超过谷歌 DeepMind 昨天发布的 Genie 4 和 Atlas。Genie 4 可实现每秒 24 帧实时生成、单帧延迟低至 40 毫秒。
Microsoft ResearchAI 评分3232 Microsoft Copilot 如何从合成企业数据评测走向真实场景的 AI 信心
Microsoft Research 发布 Industry Evaluation Data Generation Platform，用完全合成的企业环境评测 Microsoft Copilot，避免使用任何客户敏感数据。
Latent SpaceAI 评分3434 打造 AIE CODE：顶级 Coding Agent 大会幕后
AI Engineer 团队揭晓年度收官旗舰峰会 AIE CODE 的幕后策划，峰会为单轨道、仅限邀约的 1000 名顶尖智能体工程师，主题包括 Scaling without Slop、System One 模型和更具野心的软件重写，还剩数百个座位，LS 付费订阅者可用 LS30 享 7 折。
量子位精选AI 评分7676 SoMark 开源 1.3B 文档解析模型 OXR，登顶 OmniDocBench 等三榜第一
SoMark 团队开源 1.3B 文档解析模型 OXR，在 OmniDocBench（97.18）、olmOCR-Bench（87.84）和 DocParsingBench（87.76）三个榜单均排名第一。
推荐理由：原文拆解了OXR靠RSI自进化训练做到1.3B参数登顶三榜的细节，以及可插拔架构与免费API，读者可以据此评估是否接入现有解析流程。
新智元AI 评分2828 AI王座一夜两度易主！神秘模型 Obsidian 3 泄露
Artificial Analysis 更新 Intelligence Index，正式推出 v5 版，Claude Opus 5.5 一举登顶，超越 OpenAI 的模型。与此同时，一个神秘模型 Obsidian 3 泄露，AI 王座一夜之间两度易主。
新智元AI 评分5555 谷歌发布 Gemini 4 Carbon，称拿下 14 项基准中 12 项第一
谷歌发布新前沿模型 Gemini 4 Carbon。据谷歌官方公布的 14 项核心基准，该模型拿下其中 12 项第一。
量子位AI 评分3434 商汤大装置以9.4%份额蝉联中国大模型私有化市场第二
IDC报告显示，2026上半年中国MaaS市场规模达106.3亿元，同比增长近9倍；大模型私有化市场规模28.8亿元，同比增长108.4%，商汤大装置以9.4%份额蝉联第二。商汤通过FDE模式深入产业一线，其“云宇星空大模型”项目实现业务处理时长缩短60%、人均产出效率提升70，并提出“123”交付法则，覆盖城市治理、AIGC、具身智能等场景。
The DecoderAI 评分7171 Mistral 发布万亿参数开源模型 Mistral Large 4（Le Chonk），编码领先开源但整体仍落后中国模型
Mistral 在公开预览三周后将 Mistral Large 4（绰号 Le Chonk，总参数约 1 万亿、每步激活 52B）的权重发布到 Hugging Face，接受文本和图像输入，输出文本和代码。
雷峰网AI 评分5454 IDC报告：2026上半年阿里云以46.6%份额居中国大语言模型MaaS市场首位
IDC发布的《中国AI软件市场半年度追踪，26H1》显示，2026年上半年阿里云在中国大语言模型MaaS市场份额为46.6%，排名第一。智谱以10.6%位列第二，火山引擎以10.2%位列第三。
钛媒体AI 评分6262 Kimi K3.1 Pro实测：降价背后Token消耗偏高，全球化遇阻
数智奔流实测Kimi K3.1 Pro：K3.1 Pro于10月24日发布，API输入价从每百万Token 20元降至13元、输出价从100元降至68元，但因Token消耗过快引发性价比争议，Kimi于10月26日致歉并补偿额度、调整配置。
Latent SpaceAI 评分7373 Latent Space AI News：Gemini 4 Carbon 登顶 Artificial Analysis 榜单，先向网络防御者开放
Google DeepMind 发布 Gemini 4 Carbon，在 Artificial Analysis Intelligence Index v5 以 59 分登顶，网络安全成绩为 SEC-bench Pro 88.2%、ExploitGym 54.8%、CWE-bench 71.0%，首批通过 Fairwind Program 面向受信任的网络防御者开放。
开源中国AI 评分7171 Google DeepMind 发布 Gemini 4 Carbon，安全能力先开放给白帽子
Google DeepMind 发布 Gemini 4 Carbon，距上一代 Argon 仅两周，官方定位为迄今最强的网络安全能力和长程任务能力。该模型在 Artificial Analysis Intelligence Index v5.0 以 59 分排第一，WebDev Arena elo 涨 89 分至 1768 排第 4，安全能力先开放给白帽子使用。
钛媒体AI 评分7272 谷歌发布 Gemini 4 Carbon 登顶智能指数，但分阶段开放引发不满
谷歌于美国时间10月28日发布新一代旗舰模型 Gemini 4 Carbon，以59分登顶 Artificial Analysis 智能指数 v5.0，超过 Claude Opus 5.5 的58分和 GPT-6 Astra 的57分。
量子位AI 评分4040 无问芯穹登顶NVIDIA SOL-ExecBench，拿下88项GPU算子优化第一
无问芯穹（Infinigence AI）在NVIDIA Research的GPU算子性能评测SOL-ExecBench上先后登顶L1基础算子、L2融合算子、Quant量化算子与FlashInfer-Bench四大赛道。
量子位AI 评分7575 谷歌发布Gemini 4 Carbon，多项基准超越Opus 5.5并享Token半价
谷歌发布新旗舰Gemini 4 Carbon，在Artificial Analysis智能指数5.0中以59分登顶，Terminal-Bench 4.0达65.2%，超越Claude Opus 5.5和GPT-6 Astra。
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。
新智元AI 评分1818 国产开源 OCR 模型横扫全球 4 项第一，1.3B 逆袭大厂
一款 1.3B 参数的国产开源 OCR 模型拿下全球 4 项第一。文章称其在 OCR 极限实测中表现超越大厂模型，延续了几周前 DeepSeek V4.1-Flash 展示的“顶级模型不必天价”的开源路线。
爱范儿AI 评分7272 Google DeepMind 发布 Gemini 4 Carbon，登顶 Artificial Analysis 榜单
Google DeepMind 发布新一代旗舰模型 Gemini 4 Carbon，在 Artificial Analysis Intelligence Index v5.0 榜单以 59 分超过 Claude Opus 5.5（58 分）和 GPT-6 Astra（57 分）登顶。
The Verge · AIAI 评分6060 Google 发布 Gemini 4 Carbon，主打网络安全能力提升
Google 发布前沿模型 Gemini 4 Carbon，称在编码、智能体任务和网络安全上有显著提升，目前仅向部分网络安全防御公司开放，后续将扩展到 Fairwind Program 其他合作伙伴。
The Decoder同新闻AI 评分7777 Google DeepMind 发布 Gemini 4 Carbon，登顶 Artificial Analysis 智能指数
Google DeepMind 在 Argon 发布仅两周后推出 Gemini 4 Carbon，以 59 分登顶 Artificial Analysis 智能指数 v5.0，Argon 为 50 分。
同一新闻，精选展示《Google DeepMind 发布 Gemini 4 Carbon：主打网络安全与长程智能体能力》
爱范儿AI 评分3838 iPad mini（A20 Pro）首发上手：OLED 加身，仍缺 120Hz 高刷
苹果新款 iPad mini（A20 Pro）上手体验发布，换用 OLED 屏幕、2nm 制程 A20 Pro 芯片、IP67 抗水防尘和首发 Acoustic Display 屏幕发声技术，Wi-Fi 版仅 255 克，是有史以来最轻的 iPad。
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。
钛媒体AI 评分5757 FrontierCode 2.0 放大真实工程难度，AI 编程面临交付能力大考
钛媒体作者分析 AI 编程从跑通代码到真实交付的差距。Cognition 于 10 月 27 日发布 FrontierCode 2.0 榜单，132 项任务提高了复杂度和工程质量要求，Claude Opus 5.5 得分从 54.6% 降至 45.5%，GPT-6 Astra 从 53.3% 降至 42.8%，Grok 4.7 从 47.6% 降至 28.6%。