HeyGen Voice 在 Artificial Analysis Controlled Voice TTS Arena Leaderboard 上占据第 #1 位置，领先于阿里巴巴的 Qwen-Audio-3.1-TTS-Plus 和 ElevenLabs 的 Eleven v4 Turbo。HeyGen Voice 是 @HeyGen 推出的首个 Text to Speech 模型，在我们的 Controlled Voice Arena 中接受评估，其中
如今的前沿语言模型能否在零样本、无指导的情况下控制真实的机械臂？AA-Robotics v0.1 即将推出。
HiDream-O1-Video-1.0 在 Artificial Analysis 带音频图生视频排行榜上 debut 排名第 6。HiDream-O1-Video-1.0 是 HiDream 推出的新视频模型，该团队自称“专注于生成式 AI 和原生全模态世界模型”。HiDream 将其定位为
不仅Astra击败了Montezuma's Revenge，Opus 5也做到了。但解决这一AGI赌约的标准之一是AI要赢得一个已停发的奖项，该奖项类似于弱图灵测试。因此Metaculus决定重制该测试以确认标准是否达成。真棒！
Grok Imagine Video 1.5 Lite 在 AA-Video-T2V v2.0 上排名超过 Google 的 Veo 3.1，价格约为其三分之一。在带音频的 1080p 分辨率下，Grok Imagine Video 1.5 Lite 每秒成本为 $0.14，而 Veo 3.1 为每秒 $0.40。它在 AA-Video-T2V v2.0 上排名第 17，比 Veo 高两位
Grok Imagine Video 1.5 Lite 在两个 AA-Video-T2V v2.0 排行榜上均位列第 17，并在质量与速度的帕累托前沿占据一席之地。Grok Imagine Video 1.5 Lite 是 SpaceXAI 的 Grok Imagine 视频系列中新的低成本模型。它生成文本到视频的片段
GPT-6 Sol (Daybreak Blue, max) 已作为受信任访问模型加入 Artificial Analysis Cyber Index，并在该指数中位列第一。与公开可用的 GPT-6 Sol 相比，Daybreak Blue 模型在 CyberGym-E2E 基准测试上取得了最大提升
在 Artificial Analysis Cyber Index 中引入 trusted-access models；GPT-6 Sol (Daybreak Blue) 目前领跑 Cyber Index。Artificial Analysis Cyber Index Alliance 汇聚行业合作伙伴，评估 AI 模型在企业网络防御任务中的表现。
在 Harvey 开展的人类偏好研究中，人类专家将幻觉列为在两个其他方面都很全面的回答中做出选择的主要决定因素。我们新的幻觉评分流程聚焦于那些可能对现实产生实质性影响的错误
今日我们宣布与 Harvey 合作推出 Harvey LAB-AA v1.1。这更新了法律智能体基准（LAB）的评分方法，增加了幻觉检查，并要求正确回答不得包含实质性错误陈述。LAB-AA v1.1 的新核心指标为
宣布 Artificial Analysis Intelligence Index v5 将于 10 月下旬推出。Intelligence Index v5 将在评估 AI 前沿能力方面实现重大飞跃。变更包括新增 Terminal-Bench Science 和一个使用私有数据集的新编码基准。敬请期待
少数尝试衡量类似指标的基准（METR Long Tasks、GDPval）都在今年早些时候达到饱和，因为 AI 开始以高质量水平完成数天的工作。
Artificial Analysis 发布了针对 AI 模型的性能评测与分析内容。该材料展示了相关模型在基准测试中的具体表现数据，为评估模型能力提供了参考依据。
推荐理由：第三方评测机构提供了模型在特定基准下的表现数据，读者可据此对比不同模型的性价比与能力差异。
Google 的 Nano Banana 2.1 在 AA-Image-T2I v2.0 和 AA-Image-Editing v2.0 上均排名第 4，价格仅为 Nano Banana 2 的一半。Nano Banana 2.1 是 Google 于 10 月 6 日发布的新图像模型。它基于 Gemini 3.6 Flash，并取代了
错过几天 AI 新闻？以下是本周 Data Points 的内容。Google 重返前沿。Gemini 4 Argon 在 Artificial Analysis Intelligence Index 上与 GPT-6 Astra 并列 53 分，每任务成本约为其 60%。欧洲缩小差距。Mistral Large 4，一个
Artificial Analysis 视频排行榜现已标记衍生模型，并允许用户将其隐藏。越来越多的视频模型是基于我们排行榜上的其他模型进行后训练的。在 AA-Video-T2V v2.0 榜单的前五名中，Utopai X 和 MiniMax H3 Max 均基于 MiniMax H3 构建。
Vidu Q4 Preview 在 Artificial Analysis AA-Video-I2V v1.0 排行榜上以第 3 名首次亮相，较 Vidu Q3 Pro 的第 19 名大幅跃升。Vidu Q4 Preview 是 Vidu 的新视频模型，今日发布，早于完整的 Q4 版本。它能生成时长为 3 到 16 秒、最高支持 4K 分辨率且包含原生音频的片段，并且
Vidu Q4 预览版在保持与 Vidu Q3 Pro 相同价格的同时，提供了更好的质量
我们即将推出 AA-Music-Vocal v1.1 和 AA-Music-Instrumental v1.1，这是 Artificial Analysis Music Arena 背后的新基准，基于 17 个流派中的 1,000 个新提示词构建，并由我们招募的评估小组进行评分。在过去 3 个月中，像 Suno v6 这样的旗舰模型发布
Xiaomi MiMo-Code 采用 Checklist Rewarding 技术，将每个 checklist 项的分数乘以强化学习奖励，以同时优化功能正确性和代码质量。该方法使模型在 Artificial Analysis Coding Index 上达到 40.8 分，并在 OpenHands SWE-bench Verified 上获得 65.2% 的成绩，领先于其他开源权重模型。
GitHub 推出 ReviewBench，这是一个基于 1.039 亿个真实 Pull Request 分布构建的 AI 代码审查离线基准。该基准包含覆盖 19 种语言的 219 个代表性 PR，采用多源黄金集并由高级工程师以 96.6% 的一致性进行独立验证。ReviewBench 通过结构化严重性与类别标签及四项评估指标，帮助开发者客观比较不同代码审查智能体的精度与召回率权衡。
DeepLearning.AI 引用 Anthropic 数据指出，开源模型 GLM-5.3 在 ExploitBench 漏洞利用任务中解决率为 12%，接近 Claude Mythos 的 14%。此外，仅花费 $20.40 token 成本即发现了近期 Google Chrome 的一个安全漏洞。
推荐理由：原文引用 Anthropic 数据对比开源模型与 Claude Mythos 在 ExploitBench 上的表现，并提及低成本发现 Chrome 漏洞的案例。
很酷的评测。只需问大语言模型“陆地还是海洋？”并给它一个经纬度坐标文本。询问 16,200 次，绘制成图像。模型知道答案。这源于对互联网数据的压缩。
OpenRouter 发布新的 Model Router Benchmarks 页面，用于比较各类模型路由器在质量、速度和成本上的表现。该页面引入了综合评分的 Router Index（默认权重为质量 60%、时间 20%、成本 20%），并详细区分了提供商路由、模型选择、混合执行及切换预定义模型集等不同路由类型。
推荐理由：OpenRouter 上线模型路由器基准测试页，通过量化质量、速度与成本帮助开发者评估路由策略的实际收益与潜在延迟风险。
OpenRouter 发布指南介绍如何从生产流量构建黄金评估数据集（Golden Eval Dataset），以解决通用基准无法反映特定业务表现的问题。该数据集由经过人工审核的生产输入和预期输出组成，需版本化并集成到 CI 中作为回归测试。
推荐理由：提供了从生产流量构建黄金评估数据集的五步流程及跨模型对比方法，帮助开发者基于真实业务数据而非通用基准进行模型选型与回归测试。
LangChain 宣布在 LangSmith Evals 中正式支持 Jev 作为评估器，为团队提供快速、低成本的开放式 Agent 行为评估方法。Jev 属于 System One 模型，不生成文本而是直接返回结构化决策（如概率、选项或评分），据称比同类 LLM 便宜约 450 倍且快约 200 倍。
推荐理由：LangSmith 集成 Jev 作为评估器，提供比传统 LLM 裁判更低成本、更高一致性的 Agent 行为追踪方案。
我们正通过 MentalHealthBench 展示前沿模型在真实心理健康对话中的持续改进。这一全新开源基准由 80 多位心理健康临床医生参与构建。我们将其公开，以便其他研究人员能够检查
OpenRouter 对 TypeSafe 的 Jev 1.13 模型与 Claude Opus 5 在 Banking77 意图分类任务上进行了基准测试。结果显示 Jev 准确率比 Opus 低 3.3 个百分点（81.0% vs 84.4%），但中位延迟快 13 倍且成本低 22 倍。
推荐理由：原文通过 Banking77 数据集实测对比了 Jev 与 Claude Opus 5 在分类任务上的精度、延迟和成本，并提供了基于置信度的级联路由方案。
OpenRouter 发布技术解析，对比 TypeSafe 的决策模型 Jev 与传统 LLM-as-a-Judge 在 Agent 输出评估中的表现。测试显示，在证据完备的封闭标准下，Jev 与 LLM 判断器准确率相当，但具备更好的概率校准性，且成本仅为后者的 1/5，延迟为 1/10；而在需要长文本推理的开放标准（如摘要一致性）中，LLM 判断器与专家评分的相关性更高。
推荐理由：原文通过实测对比了 Jev 与 LLM-as-a-Judge 在准确率、校准度及成本上的差异，并给出了不同评估场景下的选型建议。
Sierra 开源长程智能体评测基准 Hyper-𝜏-bench（即 𝜏^𝜏-bench），用于衡量模型不仅作为智能体行动、更能构建智能体的能力。该基准要求开发者智能体在沙盒中从模拟业务记录恢复规格、设计架构并生成工具，最终交付符合成本预算的客服智能体。
推荐理由：原文通过沙盒环境量化了模型构建智能体的能力瓶颈，揭示了从规格恢复到成本控制的五大失败模式。
Ai2 发布 BenchMIRT，利用多维项目反应理论（MIRT）在单个提示词层面审计 LLM 基准测试。该方法基于 100 个模型、16 个基准及超 3.4 万个问题的数据训练，独立识别出安全与通用推理两个主导维度。分析显示 BBQ 和 WMDP 等基准的得分更多反映通用推理能力而非预设的安全目标，揭示了单一分数可能混淆不同信号的问题。
LangSmith 为 LLM-as-a-Judge 评估器新增“自改进”功能，将人工修正存储为少样本示例并反馈至提示词。该方案无需额外提示工程即可使评估器适应人类偏好，简化了自然语言输出的自动化评测流程。
Together AI 在 DeepSWE 基准上对 GLM-5.3 (max) 和 GPT-5.6 Sol (max) 进行了 904 次 rollout 测试。
推荐理由：通过904次实测对比GLM-5.3与GPT-5.6 Sol在DeepSWE上的成本、通过率及失败模式，揭示了级联路由策略能以更低成本超越单一旗舰模型的性能。
Together AI 在 DeepSWE 基准上对比了 GLM-5.3 和 Claude Fable 5，两者首次尝试通过率（pass@1）统计上持平，但 GLM-5.3 成本低 5.4 倍且在多次重试下覆盖率更高。
推荐理由：原文通过 DeepSWE 基准实测对比两款模型在成本、准确率及特定语言领域的表现，为开发者提供基于数据的选型与路由策略参考。
Together AI 在 DeepSWE 基准上对比了 DeepSeek V4 Pro 0813 和 Claude Fable 5，发现后者单次通过率更高但成本贵 90 倍。
推荐理由：通过 DeepSWE 实测对比两款模型的成本与能力差异，提供了基于互补性的级联路由策略以优化编程任务性价比。
Ai2 发布 TutorMoments 框架，利用 462 份真实数学辅导记录测试 LLM 能否平衡“提供支架”与“推动深度思考”。初步结果显示，模型在仅被告知“好好辅导”时倾向于过度帮助，明确提示权衡策略虽能提升表现，但仍难达到人类导师的精准判断水平。
Ai2 推出基于 OLMES 标准的 olmo-eval 评估工作台，专为 LLM 开发中的频繁迭代设计。该工具支持智能体与多轮评估，允许按需选择轻量直接运行或容器隔离环境，并提供逐题对比分析以区分真实改进与噪声。