内容类型
模型到底谁更强：Benchmark 评测成绩、评测方法的争议与排行榜变化。
216 条精选近 30 天 59 条共收录 1,577 条
Arena.ai@arena精选AI 评分8080Arena 公布 Meta 发布的 Muse Spark Open (Max) 在 Code Arena: WebDev 以 1511 分位居美国开源模型第一、开源模型总榜第 13。
今天我们发布 Muse Spark Open，这是迄今为止能力最强的美国开放权重模型。 专为编程和智能体工作打造，它擅长长周期任务、复杂软件工程和多步推理。 关键模型规格： → 816B 总参数 / 42B 激活参数 → 1M token 上下文窗口 → 原生支持文本、图像、视频、音频多模态
推荐理由：基于 Arena 自家 Code Arena 榜单给出 Muse Spark Open 的具体得分、排名与定价对比，读者可据此定位该开源模型的真实水准。
Artificial Analysis 评测 Reflection 首个模型 Beam，其在 Artificial Analysis Intelligence Index 得 30 分，在美国开源权重模型中排第二，仅次于 Meta 的 Muse Spark Open（39）。
推荐理由：第三方评测给出 Beam 在美国开源权重模型中的位置与 token 效率数据，可用于横向比较其智能体与编码能力。
Artificial Analysis 公布首批 AA-AgentPerf 结果，测试 NVIDIA Vera Rubin NVL72 在智能体编码工作负载下的服务效率，对比 GB300 NVL72。
推荐理由：Artificial Analysis 实测四种模型在 Vera Rubin NVL72 与 GB300 上的每瓦吞吐，读者可据此评估新硬件对智能体推理服务成本的影响。
Arena.ai@arena精选AI 评分7878今天我们发布 Muse Spark Open，这是迄今为止能力最强的美国开放权重模型。 专为编程和智能体工作打造，它擅长长周期任务、复杂软件工程和多步推理。 关键模型规格： → 816B 总参数 / 42B 激活参数 → 1M token 上下文窗口 → 原生支持文本、图像、视频、音频多模态
推荐理由：Arena 官宣 Meta 新模型进入 Agent Arena 和 Code Arena，读者可自行实测并等待基于真实任务的评分。
ARC Prize@arcprize精选AI 评分6666推荐理由：ARC Prize 公布了 Gemini 4 Argon 在 ARC-AGI 三个版本上的得分与成本，读者可据此比较不同 harness 设置的差异。
Google Developers Blog 发布智能体评测实践指南，指出仅靠终端跑几个提示词的 vibe check 无法发现智能体重试循环、工具参数幻觉等隐性失败。
推荐理由：原文给出从 CUJ 定义到 CI/CD 门禁的完整智能体评测流程，可用 agent-eval 工具包直接复现，避开四个常见评测陷阱。
Elon Musk@elonmusk精选AI 评分6767SpaceXAI 的 Grok Voice 3.0 是新的领先语音到语音模型，在 Artificial Analysis 语音到语音指数上以 86.9 首次亮相即排名第 1，同时在延迟方面也很有竞争力 Grok Voice 3.0 是 @SpaceXSI 的 Grok Voice 2.0 的继任者，这是一款可通过 SpaceXAI Realtime API 使用的语音到语音模型，价格为每分钟 $0.08。我们通过 SpaceXAI Realtime API 使用 Rex 语音对 Grok Voice 3.0 进行了评估。 关键要点： ➤ 语音到语音指数：Grok Voice 3.0 以 86.9 首次亮相即排名第 1，领先于 GPT-Live-1（Astra，medium）的 83.2、Gemini 3.8 Live Extended Thinking（High）的 82.6 和 GPT-Live-1（Sol，low）的 80.1。它高于 Grok Voice 2.0 的 81.3（+5.6 分）和 Grok Voice 1.0 的 73.7（+13.2 分），后者发布至今还不到六个月。该指数平均了语音推理（Big Bench Audio）、智能体性能（Tau Voice）、Arena 偏好和任务成功率 ➤ 语音智能体 Arena：Grok Voice 3.0 在偏好方面以 Elo 1070 排名第 3，落后于 Gemini 3.1 Flash Live Minimal（1100）和 Gemini 3.8 Live（1088），领先于 GPT-Live-1（Sol，low）的 1057，并以 94.8% 的任务成功率排名第 1，为榜单最高，略高于 Grok Voice 2.0 的 94.6%。Grok Voice 2.0 以 Elo 1011 落后 ➤ Tau Voice：Grok Voice 3.0 在我们实现的 Tau Voice 基准上以 71.6% 排名第 2，落后于 GPT-Live-1（Astra，medium）的 74.5%，领先于 Gemini 3.8 Live Extended Thinking（High）的 68.6% 和 GPT-Live-1（Sol，low）的 59.3%——高于 Grok Voice 2.0 的 56.5% ➤ Big Bench Audio：Grok Voice 3.0 在音频推理上得分 98.5%，领先于 Gemini 3.8 Live Extended Thinking（High）的 97.7% 和 Grok Voice 2.0 的 97.2% ➤ 速度：在 Big Bench Audio 上，Grok Voice 3.0 的平均首次音频时间为 0.81 秒，明显领先于 GPT-Live-1（Sol，low）的 1.24 秒、GPT-Live-1（Astra，medium）的 1.34 秒和 Gemini 3.8 Live Extended Thinking（High）的 1.35 秒，但慢于 Grok Voice 2.0 的 0.70 秒 ➤ 成本：Grok Voice 3.0 的输入音频成本为每小时 $4.80，与 Grok Voice 2.0 相同。这高于 GPT-Live-1（Sol，low）的 $4.47 和 Gemini 3.8 Live Extended Thinking（High）的 $3.50，低于 GPT-Live-1（Astra，medium）的 $5.83，并且比 GPT-Realtime-2.1 High 的 $10.75 便宜约 2.2 倍 祝贺 @elonmusk 和 @SpaceXSI 团队 🚀 更多详情见下方 ⬇️
推荐理由：作者引用第三方评测数据，读者可以据此对比 Grok Voice 3.0 与同类语音模型在评分、延迟和价格上的差异。
Arena.ai@arena精选AI 评分6666由 @AIatMeta 推出的 Muse Wonder (Max) 已进入 Code Arena：WebDev 以 1651 分位列第 15，Text Arena 以 1513 分位列第 2！ 在 Code Arena：WebDev 中，Muse Wonder (Max) 以 1651 分位列第 15。这一结果略低于以 1659 分位列第 12 的 Muse Spark 1.3 (Max)，与以 1655 分位列第 14 的 Kimi K3 (Max) 相差 4 分以内，并比以 1640 分位列第 16 的 Grok 4.7 (xHigh) 高 11 分。 此次发布在 Text Arena 中相较过去的 Muse 模型有显著提升。与以 1494 分位列第 11 的 Muse Spark 1.3 (Max) 相比，Muse Wonder (Max) 提升了 +19 分并上升 9 位至第 2。它落后于以 1525 分排名第 1 的 Gemini 4 Argon (High) 12 分。 祝贺 @AIatMeta 团队发布这一版本！
推荐理由：原文基于5000多个真实智能体会话给出排名和成本对比，读者可据此衡量 Muse Wonder (Max) 的性价比变化。
Arena.ai@arena精选AI 评分7272我们很高兴推出 Muse Wonder 系列，包括 Muse Wonder 和 Muse Wonder Full，这是我们迄今为止最强大的模型。两者都是前沿模型，旨在为个人和专业代理任务提供最先进的性能。 Muse Wonder 今天可通过 Meta Model API 和 Muse Code 使用。Muse Wonder Full 今天面向 Muse Code 订阅者提供。Muse Wonder 很快还将为我们的个人代理产品 Muse 中的体验提供支持，首先向订阅者推出。
推荐理由：榜单给出了 Muse Wonder (Max) 与邻近模型的分差和名次变化，读者可以据此比较它在编码与文本上的实际位置。
Artificial Analysis@ArtificialAnlys精选AI 评分8383
推荐理由：原文给出 Gemini 4 Argon 与 GPT-6 Astra 的智能指数对比及折扣期定价细节，可用于评估模型的性价比选择。
Meta 发布 Muse Wonder 和 Muse Wonder Full 两款模型，在 Artificial Analysis Intelligence Index v4.3 上分别得 52 和 56 分（max reasoning effort）。
推荐理由：Artificial Analysis 独立实测了两款新模型的智能指数、token 用量和成本，读者可据此对比它们在同类模型中的位置。
Arena.ai@arena精选AI 评分7878Arena 宣布 Meta 的 Muse Wonder 系列模型上线 Agent Arena，用户可实测，分数即将公布。
我们很高兴推出 Muse Wonder 系列，包括 Muse Wonder 和 Muse Wonder Full，这是我们迄今为止最强大的模型。两者都是前沿模型，旨在为个人和专业代理任务提供最先进的性能。 Muse Wonder 今天可通过 Meta Model API 和 Muse Code 使用。Muse Wonder Full 今天面向 Muse Code 订阅者提供。Muse Wonder 很快还将为我们的个人代理产品 Muse 中的体验提供支持，首先向订阅者推出。
推荐理由：Meta 新模型刚上架 Arena，分数尚未公布，读者可先在 Agent Arena 实测其智能体任务表现。
Epoch AI 推出 InnovationEval 评测，测试 AI 能否独立复现人类论文中的机器学习创新，对照对象为 Self-Distillation Policy Optimization（SDPO）。
推荐理由：原文用自建评测给出前沿模型在端到端AI研发上的量化差距，还记录了结果夸大和奖励投机行为，对判断AI自动化研究进度有参考价值。
ARC Prize@arcprize精选AI 评分7777推荐理由：ARC Prize 官方公布 2026 赛季 ARC-AGI-2 高分赛况，88.06% 登顶并触发超过 85% 团队共享的 15 万美元奖金。
Arena.ai@arena精选AI 评分7171认识一下 Mistral Large 4，又名 Le Chonk。 • 1T 参数，原生多模态。49B 激活。 在综合基准测试中，它是来自美国或欧洲的最佳开放权重模型。 • 在关键工作负载上达到最先进水平，包括网络防御、制造业和金融，并且在视觉定位方面超越了闭源前沿模型。 • 端到端在欧洲打造，并可通过我们自己的 Mistral Cloud 基础设施从欧洲部署。 • 今天即可通过 API 向所有人开放。正与网络安全合作伙伴私下合作。 开放权重版本将于十月底发布。
推荐理由：Arena 用 Agent Arena 实测数据给出 Mistral Large 4 的排名与分数，可对照其官方发布信息核实模型实际表现。
Arena.ai@arena精选AI 评分7171隆重推出 Claude Haiku 5.5：我们迄今为止发布的最便宜、最快、最强大的小型模型。 平均而言，它的运行成本比 Claude Haiku 4.5 低约 75%。
推荐理由：榜单方给出 Haiku 5.5 在 Code Arena 的实际得分与各档 Claude 模型的成本分差，便于横向权衡性价比。
Artificial Analysis@ArtificialAnlys精选AI 评分7575
推荐理由：原文给出 Nano Banana 2.1 在两个图像评测榜上的具体排名、价格和提升幅度，读者可据此比较它与其他模型的性价比。
Anthropic 发布 Claude Haiku 5.5，在 Artificial Analysis Intelligence Index 得 43 分，较上一代 Haiku 一年内提升 26 分，是首个支持 effort 设置与 adaptive thinking 的 Haiku 模型。
推荐理由：原文给出 Haiku 5.5 的跑分、token 消耗与分层定价细节，并指出 token 用量偏高和拒绝率问题，可作为选型参考。
NVIDIA Nemotron 团队基于 Nemotron 3，用 SFT、RL 和反馈驱动推理分别构建了在 IOI 2026 与 IMO 2026 达到金牌水平的系统。
推荐理由：原文给出 IOI 与 IMO 金牌级成绩的具体分数、训练配方和开放资源，读者可以复用其模型与推理系统组合思路。
Arena.ai@arena精选AI 评分6868认识一下 Mistral Large 4，又名 Le Chonk。 • 1T 参数，原生多模态。49B 激活。 在综合基准测试中，它是来自美国或欧洲的最佳开放权重模型。 • 在关键工作负载上达到最先进水平，包括网络防御、制造业和金融，并且在视觉定位方面超越了闭源前沿模型。 • 端到端在欧洲打造，并可通过我们自己的 Mistral Cloud 基础设施从欧洲部署。 • 今天即可通过 API 向所有人开放。正与网络安全合作伙伴私下合作。 开放权重版本将于十月底发布。
推荐理由：Arena 实测数据显示 Mistral Large 4 的编码得分、排名和价格对比，可帮读者评估其性价比位置。