GitHub 发布 ReviewBench：AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查的开放基准，基于 103.9M 个真实拉取请求构建，包含 219 个公开 PR，覆盖 19 种语言，采用多源黄金集和统一评分标准，支持按严重性、类别和精度-召回偏好切片评估。
推荐理由：原文构建了面向 AI 代码审查的基准评测体系，提供了可复现的评估方法和公开数据集，有助于推动该领域标准化。
内容形态
评测基准 最新动态
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。
45 条精选近 30 天 30 条共收录 159 条
更新
评测基准的精选
GitHub Blog · AI & ML精选AI 评分5656
Solidot精选AI 评分6060 研究发现AI聊天机器人在政治倾向提示下会成为意识形态回音室
巴西UNICAMP研究人员测试21个模型在不同政治倾向提示下的回应，发现多数模型会向提示倾向靠拢，形成‘意识形态变色龙’效应。Llama 3.1 8B和DeepSeek V3.2偏移最小，GPT-5 Nano和Gemma 3 27B偏移最大。研究提出‘变色龙指数’衡量模型偏移程度，警告用户可能误将迎合性回应视为中立评估，加剧社会极化。
推荐理由：研究揭示了主流模型在政治倾向提示下表现出显著偏移，读者可据此理解AI在意识形态敏感场景中的潜在风险。
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。
The Decoder精选AI 评分6161 研究称中国 AI 模型在敏感话题上复述官方立场或拒绝回答
Aleph Alpha 的一项研究显示，中国 AI 模型在回答政治敏感问题时经常遵循官方路线。该研究测试了 Qwen、DeepSeek 和 Kimi 模型，覆盖了 967 个手动挑选的禁忌话题，其自有评分系统仅将 17% 至 41% 的回答评为平衡。研究还发现，这种亲中倾向可能出现在不提及中国的问题回答中，并可能通过训练数据影响其他模型。
钛媒体精选AI 评分5959 StartLux 开源决策模型 StartLux-Decision，在多项基准测试中超越 Jev
StartLux 开源了决策模型 StartLux-Decision，并一次性发布了 0.8B、2B、4B、9B、27B 五个参数版本。在 Decision Index 0.2.1 评测中，其 27B 版本得分 63.88，在 38 项基准中有 31 项高于 Jev 1.13；在另一套七项评测中平均准确率达 91.82%。
推荐理由：原文提供了详细的基准测试对比和多种规格的量化版本，读者可以评估其在不同部署场景下的适用性。
Hugging Face Blog精选AI 评分6262 Microsoft 与 Hugging Face 发布智能体评测基准 ThinkingBox
Microsoft 与 Hugging Face 联合发布智能体评测基准 ThinkingBox，通过检查数据库最终状态和副作用而非工具调用来评估智能体。该研究在 507 个有状态工作流上对 12 个 LLM 模型进行了 20 次重复测试，发现模型的一次性成功率（pass@1）与始终正确率（20/20）之间存在巨大差距。
推荐理由：该研究通过检查数据库最终状态而非工具调用来评估智能体，揭示了模型一次性成功与可靠执行之间的显著差距。
MarkTechPost精选AI 评分6464 决策 AI 模型解析：TypeSafe Jev 与 Fastino GLiDE、GLiNER2.5-Decide 及开源竞品对比
决策 AI 模型是一种返回带概率的决策而非生成文本的新模型类别，适用于分类、路由、评分等需要确定性答案的场景。TypeSafe AI 的 Jev 是该领域的代表，定价为每百万输入 token 0.042 美元，输出免费；Fastino Labs 随后推出了竞品 GLiDE 和开源模型 GLiNER2.5-Decide，同时社区也出现了多个开源复现项目。
推荐理由：文章对比了多款决策模型的核心能力、定价和适用场景，为开发者选择工具提供了具体参考。
Arize 博客精选AI 评分6565 Claude 的智能体爬坡循环：从生产日志开始
Arize 分析了 Anthropic 发布的 Claude hillclimb 方法，强调从生产日志构建评估集、混合代码和 LLM 评估器、优化成本与质量平衡，并通过 Arize AX 实现团队可复用的持续优化循环。
推荐理由：原文结合生产日志和评估循环，展示了如何让智能体优化从个人实验转向团队可复现的持续流程。
Latent Space精选AI 评分7373 Google DeepMind 发布 Gemini 4 Argon 模型，输出上限达 100 万 token
Google DeepMind 发布了 Gemini 4 Argon 模型，专注于编码、企业知识工作和网络防御，并提供了 100 万 token 的输出上限。模型在 19 项可信基准测试中的 13 项取得领先，标准定价为每 100 万输入/输出 token 4/20 美元，目前通过 Fairwind 项目向政府用户和可信网络防御者提供有限预览。
推荐理由：原文汇集了 Gemini 4 Argon 的发布详情、基准测试、定价和初步评测，读者可以了解其定位、能力与当前市场竞品的对比。
爱范儿精选AI 评分6464 Gemini 4 Argon 正式发布，写作与长文本能力突出
Gemini 4 Argon 正式发布，官方称其在写作、知识和长文本能力上领先，输出上限达 100 万 token，幻觉率降至 15%，API 定价为输入 2 美元/百万 token、输出 10 美元/百万 token。
推荐理由：原文提供了 Gemini 4 Argon 的能力分布、输出上限和定价，读者可以据此判断其在写作与长文本任务中的相对优势和适用场景。
开源中国精选AI 评分6363 Anthropic 红队评估 GLM-5.3 的网络安全能力
Anthropic 的前沿红色团队评估了智谱的 GLM-5.3，认为其是首个能像 Claude Mythos Preview 那样自主构建端到端漏洞利用，但缺乏足够安全护栏的模型。
雷锋网精选AI 评分6262 实测 Qwen3.8-Flash 与 GLM-5.3-Flash：谁更懂办公工作流？
雷峰网实测 Qwen3.8-Flash 与 GLM-5.3-Flash 在开发个人工作台任务中的表现，前者更侧重个人工作流设计，强调优先级、截止日期和知识沉淀；后者更偏向工程系统交付，结构完整、模块清晰。
推荐理由：实测对比了两款 Flash 模型在办公场景下的能力差异，读者可据此判断它们在真实工作流中的适用方向。
雷锋网精选AI 评分7070 OpenClaw 2.0 实测：从个人工具到可托管工作流系统的进化
OpenClaw 2.0（v2026.8.1）发布，实测对比其与旧版 v2026.7.1-2 在长任务执行中的表现。2.0 版优化了新手引导、任务面板、历史会话搜索、对话分支和主动记忆，强化了云会话、共享会话、权限管理和插件安全审计，支持 Discord、Slack、Telegram 等多消息入口与本地/远端机器、浏览器、插件、记忆系统的集成。
推荐理由：实测对比了 OpenClaw 2.0 与旧版在长任务中的表现，展示了其在任务管理、上下文处理和协作能力上的改进，读者可据此判断其在复杂工作流中的适用性。
雷锋网精选AI 评分5959 HiDream-O1-Video 与 Seedance 2.5、MiniMax H3 的时序因果与音画同步对比评测
文章对 HiDream-O1-Video-1.0、Seedance 2.5 和 MiniMax H3 进行了三组原创图生视频任务对比测试，重点关注意图规划、时间因果和音画对应。测试发现，HiDream 在动作、声音、结果的时序关系上表现更优，例如料酒入锅后油爆声和火焰依次出现，而其他模型存在火焰早于声音或对象一致性等问题。评测基于相同参考图和提示词，在端到端产品环境中进行。
推荐理由：文章通过三组原创对比测试，量化分析了视频模型在时序因果和音画同步上的表现差异，为理解模型能力提供了具体案例。
雷锋网精选AI 评分6464 阶跃星辰发布 Step 5 Preview 模型，进入全球开源前二
阶跃星辰发布 Step 5 Preview 模型，在 Artificial Analysis Intelligence Index 上获得 44 分，位列全球开源前二，支持 1M 上下文窗口和 600B 参数规模。
推荐理由：Step 5 Preview 在 AA 榜单进入全球开源前二，且在长程 Agent 任务中表现出稳定执行能力，为国产模型在复杂工程场景中的应用提供了新样本。
雷锋网精选AI 评分7171 GPT-6 Astra 上手体验：一周在电脑里建曼哈顿
GPT-6 Astra在实测中展现长任务执行能力，如在虚幻引擎中搭建曼哈顿、在Blender中生成3D游戏和飞船模型，并能操作Final Cut Pro完成视频剪辑。模型具备自我检查和修正结果的能力，但长任务中仍需人工干预以定义目标和方向，尚未实现完全自主。
推荐理由：实测展示了GPT-6 Astra在长任务执行、软件操作和自我纠错方面的进展，读者可据此理解当前AI智能体在真实工作流中的能力边界。
InfoQ · AI/ML精选AI 评分6666 CodeScene 发布智能体重构 30 万行 C 代码的案例研究
CodeScene 发布了一项案例研究，其中编码智能体在三周内以约 4000 美元的成本，重构了一个 30 万行的 C 语言代码库（《街头霸王 III：三度冲击》）。
推荐理由：原文提供了详细的案例方法、成本数据和行业讨论，读者可以评估智能体大规模重构代码的实际可行性与局限。
Latent Space精选AI 评分7878 Latent Space：OpenAI DevDay 2026 产品发布与社区评测汇总
Latent Space 汇总了 OpenAI DevDay 2026 的主要发布，包括 Dots 智能体、GPT-6.1 Sol 模型及多项平台更新，并整合了社区评测和行业动态。
推荐理由：作者整合了多个独立评测和社区反馈，为读者提供了关于GPT-6.1 Sol性能、定价和Dots智能体功能的多角度事实依据。
LangChain 博客精选AI 评分6262 LangSmith 新增 Jev 智能体评估功能
LangSmith 已上线 Jev 智能体评估功能，支持以低延迟、低成本方式对开放性代理行为进行结构化评估。用户可通过 LangSmith 的 Evaluators 页添加 Jev-as-a-judge 评估器，配置状态与 typed 问题，实现多指标并行评估，显著提升评估效率与成本效益。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Arize 博客精选AI 评分5858 Anthropic 称已修复 Claude 写作风格，作者通过实测评估验证
作者 Jim Bennett 通过构建 20 个固定写作任务数据集，对 Claude Opus 5 和 Opus 5.5 进行双轮实验，人工标注 153 个风格问题，构建评估器并迭代优化，发现 Opus 5.5 的 em dash 几乎消失（从 12.9 降至 0.05/千词），其他风格问题减少约 50%，但部分新习惯出现，如更多加粗列表和三段式结构。
推荐理由：作者通过构建数据集、实验、人工标注和评估器，验证了 Claude 5.5 写作风格改进的实际效果，提供了可复用的评估方法框架。