“求索”4.0上线：国内首个AI全产业链评测基准发布，DeepSeek据称将完成1000亿元融资
“求索”4.0版于10月13日正式发布，成为国内首个面向算力、模型算法、智能系统与产品、行业应用、安全治理等人工智能全产业链的评测基准，体系含四大板块、16项测评工具，相关轻量版代码工具对外开源。多位参与交易人士称，DeepSeek将在近期完成第二轮融资，金额从此前计划的500亿元增至约1000亿元，投前估值仍约5000亿元。
#评测/基准
#评测/基准
今日 0 条钛媒体AI 评分3030
钛媒体AI 评分5050 AI办公正在形成「三足鼎立」局面
钛媒体刊发影子备忘录的分析，认为腾讯WorkBuddy、阿里千问办公与字节豆包工作已形成AI办公赛道的三足鼎立格局，QuestMobile报告称办公Agent赛道「三足鼎立格局初显」。
Import AIAI 评分3030 Import AI 476：创造力与递归自我改进、不如中国的开源权重模型、AI 走向太空
Import AI 476 期聚焦三项研究：Scale AI 与 Elorian 发布 Humanity's Sixth Sense 基准，含 522 道题、288 张图片和 234 段短视频，人类 pass@1 达 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 为 26.8、Kimi K3 为 25.5。
The DecoderAI 评分6666 Vals AI 研究：AI 智能体团队 token 成本高数倍，质量提升有限
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，分别在中等和最高推理强度下对比单智能体与智能体团队。
雷峰网AI 评分3232 零跑第二品牌要做"iPhone式革命"，朱江明称其为移动空间新物种
零跑将于明年第四季度推出第二品牌，朱江明称其要像iPhone替代功能手机一样做革命性变化，座舱得房率超过100%、舱内纵向长度约4400毫米。该品牌将搭载四叶草5.0中央集成架构，线束压到500米以内。零跑同时宣布技术外供已成第二增长曲线，整车级技术赋能一汽和Stellantis集团。
Latent SpaceAI 评分6262 Latent Space 每日 AI 动态：OpenAI 解雇三名安全研究员、GPT-6.1 Sol Ultrafast 上线、Claude Haiku 5.5 发布
Latent Space 汇总 10 月 7 日至 8 日的 AI 动态：OpenAI 解雇 Tomek Korbak、Mikita Balesni 与 Jasmine Wang 三名安全研究员，三人发布致管理层公开信称因优先考虑安全而被解雇，OpenAI 则称其不当处理机密信息。
TechCrunch · AIAI 评分6666 AI 排行榜 Arena 完成 2 亿美元 B 轮融资，估值达 31 亿美元
AI 模型排行榜 Arena 于周四宣布完成 2 亿美元 B 轮融资，估值达 31 亿美元，较 1 月 A 轮 17 亿美元投后估值在约 10 个月内近乎翻倍。
爱范儿AI 评分6262 实测 Vidu Q4 Preview：0.09 元/秒的视频模型能演出人物反应吗
爱范儿提前获得生数科技 Vidu Q4 Preview 的访问权限，把它当作试镜演员，用《沙丘》《喜剧之王》《黑神话：悟空》等片段测试人物反应、复杂运镜和特效与场景的交互。
钛媒体AI 评分3838 谁在给大模型出题、卖题、判卷？聊聊AI数据行业的野蛮生长
Scale AI后训练与评测研究者何允中、Agents' Last Exam项目研究者孙一铀拆解AI数据行业：数据公司交付物正从人工标注、专家rubric评分细则转向含任务、工具与验证机制的强化学习环境。ALE覆盖55个非体力类职业，何允中称rubric数据需求已趋饱和，孙一铀则认为专家主观判断类rubric仍远远不够。
钛媒体AI 评分3838 谁在捧杀 Utopai X？后训练模式下的估值争议
美国评测机构 Artificial Analysis 的文生视频榜单显示，Utopai X 以 1150 分位列全球第二、仅次于 Wan 3.0，但榜单标注其"based on MiniMax H3"，即对 MiniMax H3 后训练而非从零自研。
爱范儿AI 评分6363 DLSS 5 正式版体验：英伟达怎么让《NBA 2K27》以假乱真
爱范儿作者实测 DLSS 5 正式版在《NBA 2K27》中的表现，开启后球员面部、球衣织物、地板木纹和光影色彩都更接近真实比赛画面，改变以往体育游戏的塑料感和卡通感。
钛媒体AI 评分4646 OpenRouter 榜单分析：美版硅基流动的流水单，三张榜与正在贬值的信用
OpenRouter 是私人 API 聚合商，靠充值手续费盈利，2026 年 8 月被 Stripe 以超 70 亿美元收购。其周榜只是滚动 7 天窗口，同一模型隔两天数字可差 5.1 万亿 Token，且美国用户占 47.17%、中文不足 5%，中国信通院许珊称其调用量仅占全球约 2%。中国模型在该榜连续二十二周领先，但 9 月当周冠军由免费匿名模型太空兔以 33.5 万亿 Token 拿下。
MIT News · AIAI 评分2020 林肯实验室 LAICS 调查记录 AI 加速器硬件演进
林肯实验室超级计算中心（LLSC）自 2018 年起持续开展 Lincoln AI Computing Survey（LAICS），梳理商用 AI 加速器的峰值性能与峰值功耗。
Simon WillisonAI 评分4040 Mistral Large 4 生成 SVG 实测
Simon Willison 用 llm 命令行分别调用 claude-opus-5.5、gpt-6.1-sol、gemini-3.8-flash 和 mistral/mistral-large-4，让它们各自生成一张"穿渔网袜在火星上乱穿马路的犰狳"SVG 图片。这一测试源于 wren6991 对基准测试已饱和的调侃。
Microsoft ResearchAI 评分1616 Microsoft 研究员 Jennifer Neville：AI 为何出错、失败能教会我们什么
Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中与 Chad Atalla 对谈，讨论评估如何推动 AI 系统性能边界、模型超出传统基准测试时出现的"意外失败"，以及数据为何值得细看。
Simon WillisonAI 评分2323 Qwen3.8 27B 纯英文单词加法基准测试：关推理准确率 23.57%
针对本地 Qwen3.8-27B-Q4_K_M.gguf 的基准测试显示，在用英文单词输出结果的 5,070 个关闭推理用例中，数值准确率为 23.57%，格式合规率 96.17%。准确率随操作数位数下降，一至三位数从 97.04% 跌至十至十三位数的 6.44%；开启 medium reasoning 的 169 例对比中答对 167 例。
TechCrunch · AIAI 评分6565 HackerRank 正式开放 AI 面试官 Chakra
HackerRank 结束约六个月的 beta，本周一将其 AI 面试官 Chakra 面向客户正式开放，测试期间已完成超过 50 万场面试，Snowflake、Snorkel 和 Capgemini 等公司参与试用。
AWS Machine Learning BlogAI 评分2929 用 Amazon Bedrock AgentCore 评估多智能体系统的可解释性与有用性
亚马逊云科技展示如何用 Amazon Bedrock AgentCore Evaluations 评估多智能体供应链系统，内置评估器覆盖有用性、任务完成和指令遵循，自定义评估器可检查约束满足、路线可行性、SQL 正确性和解释质量。
GitHub Blog · AI & MLAI 评分4444 ReviewBench：面向 AI 代码审查的开源基准
微软发布开源离线基准 ReviewBench，用于评估 AI 代码审查智能体的表现，基于 GitHub 上 103.9M 个真实 pull request 的分布构建。
Import AIAI 评分2222 Import AI 475：群体扩展、Google DeepMind 为生物设计加水印，以及 AI 科学经济
Toby Ord 分析指出，AI 智能体群体是一种新的推理扩展形式，4 个智能体的群体完成任务所需的 token 总量约为单智能体的两倍，但并行运行理论上可将耗时减半，且群体扩展存在类似人类协作的“踩脚”递减效应。
Hugging Face Blog精选AI 评分7171 Microsoft 与 Hugging Face 发布 ThinkingBox：按数据库终态评测 AI 智能体
Microsoft Copilot Studio 团队联合 Hugging Face 发布 ThinkingBox，它让智能体在隔离的 MCP 工具会话中运行，按终端数据库状态和副作用评分，而非最终回复，每个任务重复 20 次。
推荐理由：通过 507 个有状态业务工作流的 20 次重复运行，揭示模型单次成功率与稳定完成率之间的差距。
The DecoderAI 评分4343 LEGO-Bench：AI 智能体用照片生成 3D 场景，却判断不了自己做得对不对
研究团队提出 Image-to-Code 方法，让编码智能体看单张照片写 Blender 程序并迭代修正，同时发布包含 208 张图像、443 个资产的 LEGO-Bench 评测。
Latent SpaceAI 评分7070 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。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。
The Verge · AIAI 评分5555 OpenAI 的 Dot 智能体实测：企业软件也能帮你订晚餐
OpenAI 本周发布智能体平台 Dots，面向最高档订阅用户开放，作者用每月 100 美元的 Pro 账户进行了实测。Dot 可访问 Blender、GIMP 等应用，也能通过桌面版 ChatGPT 访问本机，但作者在预约安装、宜家账户查询等任务中多次卡在安全验证，需要人工接管。作者认为它在接入自己电脑后表现更好，完成了视频合并和网站更新，更像是面向普通人的 Codex。
TechCrunch · AIAI 评分2121 Circuit Breaker Labs 想让 AI 对孩子（和你）更安全
Circuit Breaker Labs 打造了一批模拟不同年龄、背景、语言与文化用户的 AI 智能体，用它们对模型做“红队”测试，每天运行数万到数十万次模拟对话，再以专有评分方法给出可审计、可解释的安全分数，重点覆盖 AI 教练、日记与心理健康支持等高风险应用。
The DecoderAI 评分4242 研究：AI 记账又快又准超过持证会计，但仍无法独立完成结账
Mercor 研究显示，AI 模型在结构化记账任务上比持证会计师更快、更准、更便宜，18 个月前最好的模型得分还低于会计师约 37% 的平均水平，如今已接近零失误。
爱范儿AI 评分5858 和 Opus 5.5 同题交卷，MiniMax M3.1 Flash 的前端创作实测
爱范儿用 Opus 5.5 的公开提示词在 MiniMax Code 中实测 MiniMax M3.1 Flash Preview，让它完成动态作品集、手绘与水墨短片、时间轴交互场景以及街机卡丁车等游戏原型。
The DecoderAI 评分6868 Tavus 发布实时对话模型 Griffin，48% 测试者在一分钟视频通话中误认为真人
Tavus 推出 Griffin，公司称其为首个 Human Interaction Model（HIM），可在接收和生成视频的同时处理语音、面部表情、语气、手势和停顿。
TechCrunch · AIAI 评分4040 研究：Claude Opus 5.5 最爱说“this matters”，各模型写作特征各不相同
Graphite 研究发现，Claude Opus 5.5 使用“this matters”的频率是人类的 116 倍，“why X matters”高出 92 倍，最爱用词为“dependable”（高出 23 倍）；OpenAI 的 Astra 最大特征是被称作“纠正性框架”的“not simply X”句式，出现频率超人类 100 倍。
雷峰网AI 评分5252 实测 Qwen3.8-Flash 与 GLM-5.3-Flash：谁能让我提前下班半小时
雷峰网在 Claude Code 中用同一任务实测同日发布的 Qwen3.8-Flash 与 GLM-5.3-Flash，要求从零开发一个含前后端、数据持久化、CRUD、搜索与测试的个人工作台。
雷峰网AI 评分6565 OpenClaw 2.0 实测：Agent 网关能否重塑工作流边界
雷峰网对 OpenClaw v2026.8.1（2.0）与 v2026.7.1-2（1.x）做了同任务对比实测，2.0 将安装、浏览器、云会话、记忆、插件与安全重新梳理，官方称其为自托管 AI 网关，可连接 Discord、Slack、Telegram、iMessage 等消息入口。
雷峰网AI 评分4949 对比 Codex，免费的 AgnesCode 也能在底层算子优化任务中打得有来有回
雷峰网用 AgnesCode + Agnes 3.0 Flash 对决 Codex + GPT-5.6 Sol，在众智 FlagOS 大赛一道 DeepSeek-V3 解码融合 QKV-A 下投影算子题上做 8 芯片适配。
雷峰网AI 评分5656 从海拉鲁到现实世界：视频模型如何理解「变化」
雷峰网以三组原创图生视频任务对比 HiDream-O1-Video-1.0、Seedance 2.5 和 MiniMax H3，用同图、同提示词、目标 10 秒的条件检验意图规划、时间因果与音画对应。
雷峰网AI 评分4242 在三张圆明园鼠首照片里，我们看到了3D AI的Harness时刻
雷峰网用 Aholo Lux3D、GPT-6 Astra 与 Blender 实测：仅凭三张圆明园鼠首照片和一段自然语言指令，生成约 19.05 万顶点、28.56 万多边形的青铜鼠首 3D 资产，最终导出 scene.glb 与三张 1400 × 1400 渲染图。
雷峰网AI 评分6464 阶跃 Step 5 Preview 实测：用 Claude Code CLI 做 3D 网页游戏
雷峰网上手实测阶跃 Step 5 Preview，以 Claude Code CLI 为工作台，让其调用本机 Blender 生成角色与关卡资产，再用 Three.js/Vite 完成可运行的 3D 迷你网页游戏《星跃岛：能量快递》。
雷峰网AI 评分7171 GPT-6 Astra 首批上手实测：能自检结果、操作 Final Cut Pro，长任务仍会钻细节
雷峰网汇总了 GPT-6 Astra 发布后首批开发者的真实任务实测：有人用 Blender 一周在虚幻引擎里搭出曼哈顿，Theo 用 Blender 在约 30 分钟到 2 小时内做出可直接在浏览器运行的 one-shot 3D 游戏。
雷峰网AI 评分4444 实测 GPT‑6 Astra、Claude Fable 5.1 与 GPT‑5.6 Sol 控制同一台云台机器人，谁真正把活干完了？
同一台两轴云台、同一句"满行程转一遍"，GPT‑5.6 Sol、GPT‑6 Astra Pro 和 Claude Fable 5.1 都让机器转了起来，但对"完成"的理解完全不同：Sol 走完四个极限角，Astra 用 7 步十字动作配合连续三帧误差小于 3° 才标记 verified，Fable 5.1 做了 12 步并留下可复用脚本，却反馈可疑时仍打印扫描完成。
雷峰网AI 评分6262 拆解 WorkBuddy、千问办公和豆包工作，它们其实不是同一种产品
雷峰网用同一份脏销售流水和同一句提示词实测 WorkBuddy、千问办公、豆包工作三款办公 Agent，三家算出的 Q1 总额最高比最低多出 57.7%，同一份数据讲出了不同故事。
Hugging Face BlogAI 评分4747 Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与语音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，用 WER/CER、RTFx、TTFA 和 WavLM 说话人相似度等客观指标评测开源多语言 TTS 与语音克隆模型，把评测周期从数周投票压缩到数小时。
Simon WillisonAI 评分4848 Anthropic Frontier Red Team：GLM-5.3 在 4% 的测试中实现完整控制流劫持
Anthropic Frontier Red Team 用内部 Binary Exploitation benchmark 的 100 个随机任务评测多个模型，GLM-5.3 在 4% 的试验中实现了完整控制流劫持，Claude Mythos Preview 为 6%。此前的 Claude Opus 4.6 和 GLM-5.2 则无一成功，该团队认为这一门槛已被明确跨越。