DeepSeek V4.1 Flash 缩小中美顶尖模型 LiveBench 跑分差距至 3%
DeepSeek V4.1 Flash 将中美顶尖模型在基准测试上的性能差距缩小至 3%，较今年早些时候的 15% 大幅收窄。该模型在 LiveBench 全球排名中位列第六，得分为 81.1 分，已可与 Anthropic 等领先系统媲美。中国模型的持续进步得益于其 AI 专业能力的深化和对国产硬件的优化。
#评测/基准
IT之家AI 评分3232 MarkTechPost精选AI 评分7373 GPT-6 Astra、GPT-6.1 Sol、Gemini 4 Argon 与 Claude Fable 5.1：如何根据任务选择前沿模型
文章对比了 OpenAI、Google DeepMind 和 Anthropic 在 30 天内发布的四款前沿模型。GPT-6.1 Sol 在 DeepSWE v1.1 等基准上表现接近 GPT-6 Astra，但价格仅为五分之一。
推荐理由：原文对比了四款前沿模型在价格、访问规则和不同任务上的表现差异，为读者选择模型提供了具体的工作负载匹配建议。
CNET · AI精选AI 评分6363 Anthropic 的生物学突破是炒作吗？科学家们怎么看
Anthropic 宣称其 Claude AI 在约 21 小时内发现了一种新型的、类似 CRISPR 的酶系统，并将其命名为 ART。文章援引多位科学家的观点，指出这一发现的速度令人印象深刻，但其科学意义和原创性尚存疑问，有科学家表示其团队在 2022 年可能已发现同一系统。
推荐理由：文章通过采访多位科学家，呈现了对AI发现新酶系统这一事件的不同看法和潜在争议。
AI BusinessAI 评分3939 AI 安全为何落后于发展速度
AI 安全专家 Brooke Hopkins 指出，当前行业对 AI 安全的评估方法不足以应对快速发展带来的风险。她认为安全应成为开发循环中的持续过程，而非部署前的最终检查，并强调需要结合真实世界行为监控、对抗性测试和持续的人工介入。对于高风险系统，有效的监管应侧重于明确责任与结果，而非规定具体技术方案。
CNET · AIAI 评分3232 ChatGPT 与 Gemini：功能与多模态能力对比
在多模态图像识别测试中，Gemini 的表现优于 ChatGPT，能准确识别潦草手写文字并指出笔迹特征，而 ChatGPT 则出现转录错误。
Import AIAI 评分4545 Import AI 468: 23 项应对 RSI 的政策构想、PostTrainBench+ 以及信任与透明度如何影响 AI 竞赛
智库 IFP 提出了 23 项应对 AI 研发自动化（RSI）风险的具体政策建议，涵盖透明度、国家能力、风险管理等七个类别。MIT 和哥伦比亚大学的研究表明，AI 公司间实现协调放缓的关键在于技术发展的透明度与对竞争对手作为可信赖理性行为者的信任。
Bounded RegretAI 评分4646 Building Technology to Drive AI Governance
技术专家可通过构建推动AI治理的工具，改变AI研发的底层动态。卫星遥感与连续排放监测等技术使气候治理成为可能，类似地，AI需发展可衡量性与低成本技术以实现可监管性。当前亟需开发模型行为基准、训练计算会计与评估标准，这些技术将使安全实践从被动合规转向经济可行的默认选项。