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。
AI 模型众包排行榜 Arena 完成 2 亿美元 B 轮融资，估值达 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。
推荐理由：Arena 在模型刷榜争议中把社区投票做成企业评估生意，其估值与营收变化可作为观察 AI 评测商业化的一手样本。
Edge Delta 在 GitHub 开源 Project Arena，一个面向 Kubernetes 上 AI SRE Agent 的厂商中立基准，可部署一次性集群、注入故障、导入任意产品的调查记录并用可配置的 AI 评委打分。
推荐理由：开源基准把故障注入、调查记录导入和评分拆成独立步骤，读者可据此复现或对比不同 AI SRE 产品的调查能力。
Favz 抓取公开 GitHub 仓库中签入的 AI 智能体配置，统计其中的 MCP 服务器、技能与插件，目前已收录 166,014 个仓库（从 211,411 个中筛出），首次全量扫描于 2026-10-07 完成。
推荐理由：基于 16.6 万个公开仓库的配置统计，给出 MCP 服务器、技能与插件的真实采用分布，可对照自身技术选型。
UniPat AI 发布 PaperBenchX，这是国际上第一个多学科端到端论文结果复现的 Benchmark，从 93 篇论文构建 93 个复现任务，横跨电磁、光子、化学、材料、生物、机器人等 12 个研究方向和 10 种领域原生科学环境，含 3168 条专家校验评分项。
推荐理由：PaperBenchX 用 93 个跨学科复现任务量出 AI 与通用 AI 科学家之间的距离，并开源 12 个任务供复用。
Anthropic 发布快速低成本模型 Claude Haiku 5.5，定价为每百万 token 输入 0.10 美元、输出 0.50 美元，与 OpenAI 上月的 GPT-6 Luna 一致，但超过 100,000 token 后涨至 0.50/2.50 美元，而 Luna 在 272,000 token 后才涨到 0.20/0.75 美元。
推荐理由：作者实测了 Haiku 5.5 的定价、tokenizer 与推理档位，并对比 GPT-6 Luna 给出不同用量下的成本差异。
Common Sense Media 将 ChatGPT for Teens 评为“不可接受的风险”，其研究发现该产品的参与度设计“在危机情境中依然普遍存在”。
推荐理由：Common Sense Media 对 ChatGPT for Teens 的实测显示，危机场景中的挽留话术与中断提醒失效，可作为评估青少年 AI 安全设计的参照。
作者在《NBA 2K27》中实测 DLSS 5 正式版，开启后球员面部、球衣、地板和光影关系更接近真实比赛质感，画面从高质量 3D 游戏向实拍效果靠近。
推荐理由：作者以《NBA 2K27》实测 DLSS 5 的画面变化与帧率代价，并解释其神经渲染原理与适用边界。
Google 发布图像生成与编辑模型 Nano Banana 2.1，取代 2026 年 2 月发布的 Nano Banana 2，价格约为前代一半：1K 图像从 6.70 美分降至 3.36 美分，4K 从 15.10 降至 7.56 美分。
推荐理由：原文给出 Nano Banana 2.1 的定价对比与基准数据，读者可据此判断它在 Google 图像模型序列中的性价比位置。
作者发布 HieraticBench，用 268 条真实文献、符号及其他埃及文字作为对照，测试前沿模型识别和翻译圣书体（hieroglyphs 的草写体）的能力。
推荐理由：作者用自己未公开的圣书体句子和真实文献测试多个前沿模型，给出识别与释读的具体差距。
Alex Ellis 发布 RigMark，一个面向 OpenAI 兼容本地推理服务的可复现基准，按编码智能体实际使用方式测量散文、代码、结构化输出和 prefill。
推荐理由：RigMark 把本地推理速度声明变成带 Git 版本和 JSON 凭证的可复现对比，读者可据此判断自家部署的实测口径。
SelfBench 是一个面向编码智能体的私有基准工具，把仓库已合并的 PR 还原成带隐藏测试的任务，再运行不同模型与 harness，按准确率和单任务成本绘制 Pareto 前沿。
推荐理由：用仓库自身已合并 PR 生成带隐藏测试的私有基准，并按准确率与成本画出 Pareto 前沿，为选型提供可复现依据。
HackerRank 在约六个月测试后，于周一将 AI 面试官 Chakra 正式开放给客户，测试期间已完成超过 50 万场面试，Snowflake、Snorkel、Capgemini 等公司参与试用。
推荐理由：HackerRank 把 AI 面试官从测试推向商用，并给出可疑行为标记下降 70% 至 80% 这一可比较的数据。
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，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与取舍。
DoubtBench 是一个基于 NVIDIA HelpSteer2 多人标注数据构建的基准，把标注者的分歧转化为约 7,500 道 Score、Choice 和 Noul 题目，同时考察模型答对率和概率是否与人类分歧对齐。
推荐理由：DoubtBench 用 HelpSteer2 的多人标注衡量模型概率是否与人类分歧一致，并给出可复现的评测命令与榜单。
DoubtBench 是一个基于 NVIDIA HelpSteer2 的基准，把多位标注者的评分分歧转成约 7,500 道 Score、Choice 和 Noul 题目，同时考察模型答对率和概率是否与人类分歧一致。
推荐理由：DoubtBench 用人类标注分歧而非单一答案来评测模型不确定性，并给出可复现的提交与运行方式。
爱范儿用 Opus 5.5 公开案例的提示词在 MiniMax Code 中实测 MiniMax M3.1 Flash Preview，覆盖动态作品集、手绘短片、水墨动画、纽约天际线时间轴交互以及卡丁车和水下探索等游戏原型。
推荐理由：作者用同一批公开提示词对比 MiniMax M3.1 Flash 与 Opus 5.5 的前端创作成品，可观察 Flash 级模型在动效、手绘与交互场景中的实际完成度。
爱范儿实测了近期在海外 AI 圈刷屏的匿名模型 Space Bunny Alpha，它能把随手画的草图在不到 5 分钟内变成可打开的网站，也能根据草图生成可交互的 3D 网页。
推荐理由：作者用草图转网页、3D 游戏和发动机展台等实测，呈现匿名模型 Space Bunny 的能力边界与日常主力定位。
Anthropic 发布新 Sonnet 模型 Claude Sonnet 5.5，官方称其运行速度提升 30% 以上、多数工作成本最多降低 30%，定价与 Sonnet 5 相同但在各项基准上均优于 Sonnet 5。
推荐理由：作者用同一套鹈鹕提示词实测新 Sonnet，并对比免费层与 ChatGPT 的能力差异。
微软研究院发布开源框架 Orchard，核心是 Kubernetes 环境服务 Orchard Env，可复用于软件工程、网页导航和个人助理等任务，并支持在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 中直接训练智能体。
推荐理由：微软研究院开源 Orchard 框架，给出环境服务与三个领域训练配方，读者可了解小模型在真实 harness 中训练的具体路径。
Google DeepMind 与 Google Research 开发的 AI 天气模型 WeatherNext 帮助美国国家飓风中心提前五天预测飓风 Melissa 将以五级强度登陆牙买加，置信度达 80%，三天前升至接近 100%。
推荐理由：原文给出 WeatherNext 在飓风路径与强度预测上的实际表现，读者可了解 AI 天气模型如何辅助官方预警决策。