谷歌 DeepMind 发布 Gemini 4 首款旗舰模型 Argon
谷歌 DeepMind 于 9 月 30 日正式发布 Gemini 4 系列首款旗舰模型 Argon，官方称在 19 项基准测试中取得 13 项领先，输出 Token 上限从上一代的 6.4 万提升到 100 万。
推荐理由：文章把 Argon 的基准成绩、真实工程案例与内部质疑放在一起，读者可据此判断跑分领先与实际落地之间的落差。
#评测/基准
#评测/基准
今日 0 条钛媒体精选AI 评分6262 雷锋网精选AI 评分7070 拆解 WorkBuddy、千问办公和豆包工作：同一份脏数据算出三个总额
作者用同一份脏销售流水和同一句提示词实测 WorkBuddy、千问办公和豆包工作，三家都交付了 Excel、PPT 和摘要，但算出的季度总额最高比最低多出 57.7%。
推荐理由：作者用同一份脏数据和同一句提示词实测三款办公 Agent，并拆开安装包对比执行环境，可看到三家在纠错方式与责任归属上的差异。
雷锋网精选AI 评分4747 实测 GPT-6 Astra、Fable 5.1 与 GPT-5.6 Sol 控制同一台云台机器人
作者把同一句模糊指令交给 GPT-6 Astra Pro、Claude Fable 5.1 和 GPT-5.6 Sol，三者都让两轴云台转了起来，但对完成的理解不同：Sol 和 Fable 走完四个组合极限角，Astra 只用 7 步分别抵达两轴边界。
推荐理由：作者用同一台云台机器人实测三个模型，从动作数、速度参数和验证机制看它们对完成与风险的不同理解。
雷锋网精选AI 评分6565 阶跃星辰发布 Step 5 Preview，AA 智能指数 44 分位列全球开源前二
阶跃星辰发布 Step 5 Preview，在 Artificial Analysis Intelligence Index 上拿到 44 分，位列全球开源前二。
推荐理由：原文给出 Step 5 Preview 在 AA 榜单的分数、单任务成本和 1M 上下文，并附一次跨 Blender 与网页工程的实测过程。
雷锋网精选AI 评分5858 用三张圆明园鼠首照片实测：GPT-6 Astra 调度 Aholo Lux3D 与 Blender 生成 3D 资产
作者用三张圆明园鼠首照片和一段自然语言指令，让 GPT-6 Astra 在 Codex 中调度 Aholo Lux3D 生成 3D 模型，再交由 Blender 检查、调材质、加底座并渲染导出。
推荐理由：作者用三张鼠首照片跑通从自然语言到可交付 3D 资产的完整链路，并给出耗时与成本数据，可据此判断专业模型接入通用 Agent 的工程化路径。
量子位精选AI 评分5757 谷歌发布 Gemini 4 Argon：多榜单登顶，单题成本约为 Astra 一半
谷歌发布新一代旗舰模型 Gemini 4 Argon，在 DeepSWE v1.1 上拿到 77.9%，高于 Claude Opus 5.5 的 74.2% 和 GPT-6 Astra 的 74.1%，并以 68.90% 登顶 Vals Index。
推荐理由：汇总 Gemini 4 Argon 的多榜单跑分、定价与首批开放范围，可对照同期 Opus 5.5、GPT-6 Astra 判断旗舰模型格局。
钛媒体精选AI 评分6262 谷歌发布 Gemini 4 Argon：18 项基准拿下 12 项第一，终端操作仍落后
谷歌推出新一代旗舰模型 Gemini 4 Argon，采用公司迄今规模最大的预训练，在谷歌公布的 18 项基准测试中拿下 12 项第一、1 项并列第一，GPT-6 Astra 为 3 项第一、1 项并列第一，Claude Opus 5.5 为 2 项第一。
推荐理由：原文列出 Gemini 4 Argon 在 18 项基准中的胜负分布与短板项，可据此判断它在知识工作与终端操作上的能力边界。
量子位AI 评分3636 OpenAI 推理教父 Noam Brown 访谈：数学只是多智能体时代的开胃菜
OpenAI 研究员 Noam Brown 在播客访谈中表示，1 万个 Agent 耗时 88 小时、消耗 1300 亿 token 解出千禧年数学难题，但他认为多智能体最多只占其中 10% 的功劳，核心仍是模型本身足够强。
雷锋网精选AI 评分5858 实测 Qwen3.8-Flash 与 GLM-5.3-Flash：谁能让我提前下班半小时
作者在 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任务、日程、笔记、Dashboard 和全局搜索的个人工作台。
推荐理由：同一任务下对比两款 Flash 模型的办公工作台开发表现，并给出任务成本估算，可作选型参考。
雷锋网精选AI 评分6262 OpenClaw 2.0 实测：Agent 网关能重塑工作流边界吗
雷锋网用同一道长任务对比 OpenClaw v2026.7.1-2 与 v2026.8.1（2.0），两版总耗时基本持平（103.3 分钟对 106.1 分钟），但 2.0 的 LLM 请求从 74 次降到 46 次、工具调用从 100 次降到 65 次。
推荐理由：同一道长任务对比 OpenClaw 1.x 与 2.0，给出请求次数、token 与上下文压缩的后台数据，可判断其长任务托管能力。
雷锋网精选AI 评分4949 雷锋网实测：免费 AgnesCode 与 Codex 在 DeepSeek-V3 算子优化任务中互有胜负
雷锋网把 AgnesCode + Agnes 3.0 Flash 与 Codex + GPT-5.6 Sol 放进众智 FlagOS 开放计算全球大赛的 DeepSeek-V3 解码阶段融合 QKV-A 下投影算子题（Task66: dsv3_fused_a_gemm），在 8 款芯片上接受赛事官方自动化评测。
推荐理由：雷锋网用同一道算子优化题对比免费 AgnesCode 与付费 Codex，给出跨芯片加速比与耗时数据，可作 Agent 底层工程能力的参照。
OpenAI NewsAI 评分2626 OpenAI 提出有效第三方评估的优先事项与原则
OpenAI 提出针对前沿模型与防护措施的第三方 AI 安全评估的优先事项与原则，强调评估需严谨、安全且独立。
OpenAI NewsAI 评分2222 OpenAI 提出全球 AI 标准建设路径
OpenAI 提出为下一阶段 AI 建立共享全球标准的路径，呼吁通过协调一致的评估、报告与治理来提升安全性。
OpenAI NewsAI 评分2222 OpenAI 数据揭示全球用户如何用 ChatGPT 从提问走向做事
OpenAI Signals 数据显示，全球用户正把 ChatGPT 从提问工具变为做事工具，并给出国家级采用情况与使用趋势洞察。该数据覆盖各地采用程度、使用趋势与行为演变。
OpenAI News精选AI 评分3636 OpenAI 说明第三方网络安全评测事件并推出新保障措施
OpenAI 就近期涉及 OpenAI 模型的第三方网络安全评测事件作出说明，并概述了用于加强 AI 模型测试与评估的新保障措施。
推荐理由：OpenAI 就第三方网络安全评测中的事件作出说明，并给出新的模型测试与评估保障措施。
OpenAI News精选AI 评分3838 OpenAI CFO Sarah Friar 提出 AI 时代的 ROI 记分卡
OpenAI 首席财务官 Sarah Friar 提出一套实用的 AI 记分卡，通过有用工作量、单次成功任务成本、可靠性和算力回报四项指标衡量 AI 的 ROI。
推荐理由：OpenAI 首席财务官提出用有用工作量、单次成功任务成本、可靠性和算力回报四项指标衡量 AI 投入产出。
OpenAI NewsAI 评分2525 OpenAI GPT-5.5 Bio Bug Bounty 计划公布详情
OpenAI 公布了 GPT-5.5 Bio Bug Bounty 计划的详情。该计划围绕 GPT-5.5 的生物相关能力设立漏洞赏金机制，具体规则与参与方式随公告一并披露。
OpenAI NewsAI 评分2222 OpenAI 推出 GeneBench-Pro 基准测试
OpenAI 发布 GeneBench-Pro，一个用复杂真实数据集测试 AI 在基因组学、生物学和科研领域表现的新基准。
OpenAI NewsAI 评分2222 OpenAI 通过 Appia Foundation 助力构建先进 AI 共享标准
OpenAI 通过 Appia Foundation 支持先进 AI 的评估框架、安全实践与全球合作，推动构建共享标准。
OpenAI NewsAI 评分2626 OpenAI 发布 LifeSciBench：评估 AI 处理真实生命科学研究任务的基准
OpenAI 发布 LifeSciBench，一个由专家撰写并评审的基准，用于评估 AI 系统处理真实生命科学研究任务与决策的能力。
OpenAI News精选AI 评分4242 OpenAI 推出 Deployment Simulation，发布前用真实对话数据模拟部署预测模型行为
OpenAI 推出 Deployment Simulation，一种在模型发布前用真实对话数据模拟部署、预测 AI 模型行为的方法，目标是提升安全性和评估准确性。
推荐理由：OpenAI 提出用真实对话数据在发布前模拟部署，读者可了解模型安全评估方法的一种新思路。
OpenAI News精选AI 评分3838 OpenAI 发布第三方 AI 评测指南，覆盖能力、防护与有效性评估
OpenAI 发布关于第三方 AI 评测的指导，内容涵盖如何评估前沿系统的模型能力、防护措施与评测有效性。
推荐理由：OpenAI 官方给出第三方评测的评估框架，涉及模型能力、防护措施与有效性，可供关注评测方法的人参考。
OpenAI News精选AI 评分3939 OpenAI 与太平洋西北国家实验室合作，推出 DraftNEPABench 加速联邦审批
OpenAI 与太平洋西北国家实验室合作，推出 DraftNEPABench 基准，用于评估 AI 编码智能体如何加速联邦审批流程。该基准显示，NEPA 文件起草时间最多可减少 15%，并推动基础设施审查现代化。
推荐理由：OpenAI 与联邦实验室联合发布基准，用 15% 的起草时间降幅说明 AI 编码智能体在政府审批场景的可用边界。
OpenAI News精选AI 评分3636 OpenAI 与 Paradigm 推出 EVMbench 智能合约漏洞评测基准
OpenAI 与 Paradigm 联合推出 EVMbench，用于评测 AI 智能体检测、修补和利用高危智能合约漏洞的能力。该基准覆盖漏洞检测、补丁修复与漏洞利用三类任务。
推荐理由：OpenAI 与 Paradigm 联合推出智能体安全评测基准，关注 AI 在智能合约漏洞检测与修复上的能力边界。
OpenAI News精选AI 评分3838 OpenAI 发布评测框架，用 GPT-5 优化湿实验室分子克隆流程
OpenAI 推出一个真实场景评测框架，用于衡量 AI 加速湿实验室生物研究的能力。该工作使用 GPT-5 优化分子克隆实验方案，同时探讨 AI 辅助实验的潜力与风险。
推荐理由：OpenAI 用真实湿实验场景评测 GPT-5 优化分子克隆流程的能力，为判断 AI 在生物实验中的可用边界提供参照。
OpenAI News精选AI 评分5555 OpenAI 发布 GPT-5.2，刷新数学与科学基准成绩
OpenAI 发布 GPT-5.2，称其是自家在数学与科学方面最强的模型，在 GPQA Diamond 和 FrontierMath 等基准上刷新了最优结果。官方表示这些提升已转化为实际研究进展，包括解决一个开放理论问题并生成可靠的数学证明。
推荐理由：GPT-5.2 在 GPQA Diamond 与 FrontierMath 上刷新结果，并给出解决开放理论问题、生成可靠数学证明的实例。
OpenAI NewsAI 评分2222 OpenAI 解读 evals 如何驱动企业 AI 新篇章
OpenAI 发文阐述 evals 如何帮助企业定义、衡量并改进 AI 性能，从而降低风险、提升生产力并形成战略优势。
OpenAI News精选AI 评分3838 OpenAI 发布 gpt-oss-safeguard 技术报告
OpenAI 发布 gpt-oss-safeguard 技术报告，介绍 gpt-oss-safeguard-120b 和 gpt-oss-safeguard-20b 两个开源权重推理模型。这两个模型基于 gpt-oss 模型后训练，能够依据给定策略进行推理，从而按该策略对内容打标。报告描述了模型能力，并以底层 gpt-oss 模型为基线给出安全评测结果。
推荐理由：OpenAI 公开 gpt-oss-safeguard 两个开源权重模型的技术报告，并给出以 gpt-oss 为基线的安全评测结果。
OpenAI News精选AI 评分6262 OpenAI 发布 AgentKit、新版 Evals 与面向智能体的 RFT
OpenAI 发布 AgentKit、扩展的 Evals 能力以及面向智能体的强化微调（RFT），用于帮助开发者更快从原型走向生产。官方称这三项工具面向智能体开发流程，但未在摘要中给出具体功能细节与可用范围。
推荐理由：OpenAI 官方发布 AgentKit、扩展的 Evals 与面向智能体的强化微调，读者可据此判断智能体开发工具链的补齐方向。
OpenAI News精选AI 评分4242 OpenAI 推出 GDPval 评测，衡量模型在 44 个职业真实任务上的表现
OpenAI 推出 GDPval，一项衡量模型在真实经济价值任务上表现的新评测，覆盖 44 个职业。
推荐理由：OpenAI 推出覆盖 44 个职业的 GDPval 评测，读者可据此了解模型在真实经济价值任务上的衡量方式。
OpenAI News精选AI 评分3636 OpenAI 研究解释语言模型为何产生幻觉
OpenAI 发布新研究，解释语言模型产生幻觉的原因。研究结果显示，改进评测方式有助于提升 AI 的可靠性、诚实性与安全性。
推荐理由：OpenAI 从评测角度解释大模型幻觉的成因，读者可据此理解评测改进与模型可靠性之间的关系。
OpenAI NewsAI 评分2222 Intercom 打造可持续 AI 优势的三条经验
Intercom 分享了构建可扩展 AI 平台的三条经验，涵盖评估体系与架构设计，目标是引领客户支持的未来。
OpenAI NewsAI 评分2626 OpenAI 发布 BrowseComp：面向浏览智能体的基准测试
OpenAI 发布 BrowseComp，一个面向浏览智能体（browsing agents）的基准测试。
OpenAI News精选AI 评分4040 OpenAI 发布 SWE-Lancer 基准，测试前沿 LLM 能否赚到 100 万美元
OpenAI 发布 SWE-Lancer 基准，用真实自由职业软件工程任务检验前沿 LLM 能否赚到 100 万美元。该基准以真实外包工作为评测对象，衡量模型在软件工程交付中的经济价值。
推荐理由：OpenAI 用真实自由职业软件工程任务衡量前沿 LLM 的经济价值，可据此判断模型在真实交付场景中的能力边界。
OpenAI News精选AI 评分3838 OpenAI 发布 Operator 系统卡
OpenAI 发布 Operator 系统卡，基于其既有安全框架说明多层防护思路，包括为防范提示工程与越狱而实施的模型和产品层缓解措施，以及隐私与安全保护。文档还介绍了外部红队工作、安全评估，以及持续改进这些防护措施的后续工作。
推荐理由：OpenAI 公开 Operator 的系统卡，说明其在提示工程与越狱防护、隐私安全上的多层缓解措施和外部红队评测安排。
OpenAI NewsAI 评分2020 OpenAI 研究：用推理时计算换取对抗鲁棒性
OpenAI 提出以增加推理时计算来提升模型对抗鲁棒性的思路，即用更多推理算力换取对对抗攻击的抵抗能力。该方向探讨推理时计算与对抗鲁棒性之间的权衡关系。
OpenAI News精选AI 评分5050 OpenAI 发布 o1 与 o1-mini 系统卡
OpenAI 发布 o1 与 o1-mini 的系统卡，说明模型发布前开展的安全工作，包括外部红队测试以及依据 Preparedness Framework 进行的前沿风险评测。
推荐理由：系统卡披露了 o1 与 o1-mini 发布前的外部红队测试和前沿风险评测流程，可了解其安全评估框架。
OpenAI NewsAI 评分1717 Morgan Stanley 用 AI 评估塑造金融服务未来
Morgan Stanley 正利用 AI 评估（AI evals）来塑造金融服务的未来。该行将 AI 评估应用于金融服务场景，以推动这一领域的未来发展。
OpenAI NewsAI 评分1818 OpenAI 如何用人类与 AI 推进红队测试
OpenAI 发布文章阐述如何结合人类与 AI 推进红队测试。原文未披露具体模型版本、参数规模或 benchmark 数据，仅以标题点明人类与 AI 协同这一方向。
OpenAI NewsAI 评分2222 OpenAI o1 如何应对复杂经济问题：经济学家 Tyler Cowen 解读
经济学家 Tyler Cowen 解读了 OpenAI o1 如何应对复杂经济问题。该内容聚焦 o1 在经济推理场景中的表现，由 OpenAI 发布。