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。
内容形态
评测基准 最新动态
模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
10 条精选近 30 天 8 条共收录 120 条
更新
评测基准的精选
量子位精选AI 评分7676
钛媒体精选AI 评分7777 跑高分不等于能交付：AI排行榜经历信用重估
钛媒体作者 Alter 分析指出，BenchLM 追踪的 295 个百分制基准中约 36% 已饱和，而 Surge AI 连发三份真实职场考卷把旗舰模型拉回及格线以下。
推荐理由：原文梳理旧基准饱和与新真实任务榜单的落差，并给出按失败成本选模型的算账方法，对企业选型有直接参考。
The Decoder精选AI 评分8383 OpenAI 发布 GPT-6.1 Terra，API 价格减半且多项基准逼近更大模型
OpenAI 发布 GPT-6.1 Terra，API 输入 $1/M tokens、输出 $5，为 GPT-5.6 Terra 的一半，缓存输入降至 $0.05/M。
推荐理由：原文汇总多项基准数据与价格对比，读者可以据此评估这款中端模型在不同推理档位下的性价比定位。
Latent Space精选AI 评分8080 Moonshot 发布 Kimi K3.1 Pro：104B 激活参数、2-3 倍 Highspeed 版本，权重承诺 11 月 4 日开放
Moonshot 发布 Kimi K3.1 Pro，2.8T 总参数、104B 激活参数的 MoE 模型，支持 1M token 上下文，承诺 2026 年 11 月 4 日开放权重，Highspeed 版本输出速度快 2-3 倍但价格翻倍。
推荐理由：汇总了 K3.1 Pro 的独立评测、定价与部署细节，读者可借此区分厂商宣传与第三方实测的差异。
The Decoder精选AI 评分8282 Moonshot AI 发布 Kimi K3.1 Pro，Artificial Analysis 指数逼近 Claude Opus 5.5
月之暗面（Moonshot AI）发布 Kimi K3.1 Pro，在 Artificial Analysis Intelligence Index 得 55 分，比 K3 高 11 分，排名第四，仅落后 Claude Opus 5.5（58 分）3 分；若按计划于 2026 年 11 月 4 日前开放权重，将成为最高分开源权重模型。
推荐理由：媒体汇总了官方和 Artificial Analysis 的成绩与定价，读者可据此比较 K3.1 Pro 与闭源模型的差距及开放权重进展。
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。
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。
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。
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 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。