d1-ultra非幻觉率达85%
d1-ultra 在 AA-Omniscience-Decision 上实现了最高的非幻觉率，达到 85%，是 Microsoft-Decision-1 的 40% 第二高率的倍以上。与 d1 相比，更多的弃权导致准确率降至 32%，而 d1 为 41%。
#评测/基准
Artificial AnalysisAI 评分4040 Artificial AnalysisAI 评分4242 Liquid AI 发布 d1-ultra 登顶决策指数
Liquid AI 发布了 d1-ultra，在 Artificial Analysis Decision Index v1.0 中占据第 1 位，得益于幻觉率的降低。d1-ultra 是 @liquidai 推出的新决策模型，继本月早些时候发布 d1 之后推出。其定价为 $0.042
Artificial AnalysisAI 评分4040 Beam 领跑美开源模型 Cyber 指数
Beam 在 Artificial Analysis Cyber Index 上得分 34%，是我们测试过的领先的美国开源权重模型。得益于其 token 效率，它也与 GPT-6 Sol (Daybreak Blue) 一起位于 Cyber Index vs. Output Tokens per task frontier 上
Artificial Analysis精选AI 评分6060 Reflection 发布开源模型 Reflection-3.7-70B
Artificial Analysis 报道 Reflection 发布了其首个开源模型 Reflection-3.7-70B。该模型拥有 50B 总参数和 70B 激活参数，在 Artificial Analysis Intelligence Index 中得分为 42。
推荐理由：原文给出了 Reflection 新模型的基准分数和参数规模，读者可据此快速评估其在开源阵营中的性能定位。
Artificial AnalysisAI 评分2424 Optima 简化自定义基准测试创建
通过最新更新，在 Optima 中创建和运行自定义基准测试变得比以往任何时候都更容易。这允许您针对特定用例评估模型。使用 Optima 您可以：➤ 3 步从想法到个性化基准测试 ➤ 比较模型智能
Artificial AnalysisAI 评分2929 Muse Spark Open 幻觉率最低
Muse Spark Open (xhigh) 在 AA-Omniscience (25) 上领跑所有开源权重模型，其驱动力在于它是得分 30 分以上的开源权重模型中幻觉率最低的（24%）
Artificial AnalysisAI 评分4242 DeepSeek V4.1 Flash 刷新吞吐纪录
在 DeepSeek V4.1 Flash 上，Vera Rubin 在每用户约 230 至 350 tok/s 区间内，每兆瓦吞吐量约为 GB300 的 3.4 至 3.6 倍，并在单台 4-GPU 服务器上达到每用户 906 tok/s，这是我们在排行榜上任何模型的最快结果
Artificial AnalysisAI 评分5353 Artificial Analysis 发布 NVIDIA Vera Rubin NVL72 初步性能结果
Artificial Analysis 在 AA-AgentPerf 上发布了 NVIDIA Vera Rubin NVL72 的初步测试结果。数据显示，该硬件在 DeepSeek V4 Pro 上的每兆瓦总吞吐量约为前代 GB300 NVL72 的 ~5.7x，在 DeepSeek V4.1 Flash 上约为 ~5.4x，在 GLM-5.2 和 Kimi K3 上分别约为 ~3.0x 和 ~2.8x。Vera Rubin 是 NVIDIA 的下一代架构产品。
Artificial Analysis精选AI 评分6262 Artificial Analysis 发布模型评测分析
Artificial Analysis 发布了针对 AI 模型的评测分析内容。该报告基于独立测试数据，展示了相关模型的性能表现与对比结果。
推荐理由：第三方机构对模型性能进行独立实测，提供了可参考的量化数据与对比视角。
Ethan MollickAI 评分4040 智能模型终结ARC-AGI等基准
框架 + 智能模型 = 最后几个著名硬基准的终结。模型现在可以工作极长时间（再见，METR Long Tasks），可以输出数学正确的专业文档（再见，GDPval），并且可以解决复杂的新颖谜题（再见，ARC-AGI-3）。
Artificial AnalysisAI 评分4242 Nemotron 3.5 Super VL登顶美开源
Nemotron 3.5 Super VL 是美国得分最高的开放权重模型，在智能指数中得分为 26。它略胜 Thinking Machines 的 Inkling Small（26），并超越了 NVIDIA 之前的旗舰产品 Nemotron 3 Ultra（23）以及 Meta 的 Muse Glimmer（17）。尽管取得了这一进步，美国
Artificial Analysis精选AI 评分6868 Artificial Analysis：Nvidia Nemotron 3.5 Super VL 成为美国领先开源权重模型
Nvidia Nemotron 3.5 Super VL 目前在 Artificial Analysis Intelligence Index 上得分为 26，成为领先的美国开源权重模型。该模型实现了前代 Nemotron 3 Super（得分 13）两倍智能水平，且每任务输出 token 减少约 60%。
推荐理由：原文提供了Nemotron 3.5 Super VL在智能指数上的具体得分及与上一代模型的效率对比数据，有助于评估其性能提升幅度。
Google Developers Blog精选AI 评分6262 Google 开发者博客分享 AI Agent 评估实战指南
Google 开发者博客发布文章，介绍如何超越主观“感觉检查”，为 AI Agent 建立可重复的评估体系。文章提出了基于关键用户旅程（CUJ）定义成功标准、使用模拟用户生成测试场景、以及结合人工审查与自动化工具的分阶段实施策略。
推荐理由：原文提供了从人工审查到自动化 CI/CD 的评估落地路径，并给出了规避常见陷阱的具体方法。
Artificial AnalysisAI 评分3838 AI模型离线构建埃菲尔铁塔
我们要求AI模型在离线状态下以3D形式构建埃菲尔铁塔。其中两个模型凭记忆按顺序添加了全部72位科学家的名字。这出乎我们的意料。每个AA-3D模型都收到了约200字的相同简报，内容涉及塔的形状、格构、平台和照明。它从未
LangChain BlogAI 评分4545 LangChain 解答 Agent Evals 常见疑问
LangChain 团队基于 LangSmith 平台解析智能体评估（Agent Evals）的核心问题，涵盖离线与在线评估的区别及四种主要评估器类型。文章建议从分析 Trace 入手构建小规模数据集，通过持续添加失败案例形成改进闭环，并指导用户利用代码检查或 LLM 裁判监控生产环境质量。
Artificial AnalysisAI 评分3838 MI355X在DeepSeek V4 Pro性能领先
MI355X 在 DeepSeek V4 Pro 0813 上表现最强。在每用户 35 至 75 tok/s 区间，其每兆瓦吞吐量比 B200 高约 15% 到 40%，峰值达每兆瓦 94M tokens/s（对应每用户 33 tok/s），此水平 B200 需降至每用户 13 tok/s 才能达到。当每用户速度超过约 80 tok/s 时，B200
Artificial AnalysisAI 评分2828 AA-AgentPerf新增AMD MI355X测试
除了新的 DeepSeek V4.1 Flash 结果外，我们还在 AA-AgentPerf 中为 Kimi K3、GLM-5.2/5.3 和 DeepSeek V4 Pro 添加了 AMD 的 MI355X - 将其与我们在编码智能体工作负载上最新的 NVIDIA 系统结果进行比较。AA-AgentPerf 是我们的智能体推理性能
Artificial AnalysisAI 评分3737 Grok Voice 3.0语音榜第三
在我们的语音智能体竞技场中，人们进行盲测实时语音对话并选择他们偏好的模型，Grok Voice 3.0以1070的Elo分数位列第3，落后于Gemini 3.1 Flash Live Minimal（1100）和Gemini 3.8 Live（1088），领先于GPT-Live-1 (Sol, low)（1057）。它还
Artificial AnalysisAI 评分5555 Artificial Analysis评测显示Grok Voice 3.0登顶Speech to Speech Index
Artificial Analysis评测显示SpaceXAI的Grok Voice 3.0以86.9分位居Speech to Speech Index榜首。该模型作为Grok Voice 2.0的继任者，在保持延迟竞争力的同时取得了新的领先成绩。
Artificial AnalysisAI 评分4545 AA-Robotics v0.1发布
欢迎来到具身智能时代。我们推出AA-Robotics v0.1，这是一个研究预览版，用于衡量前沿语言模型在物理世界中的理解、规划和行动能力。在v0.1中，每个模型被赋予控制一个6轴机械臂（5个关节和一个
DeepLearning.AIAI 评分4242 FLUX 3 Action登顶RoboLab-120
FLUX 3 Action，一款视频优先的世界动作模型，在 RoboLab-120 的模拟中排名第一，成功率为 42.9%。它在超过 95% 的视频上进行了预训练。它通过约 200 个演示适应了新机械臂。它尚未在真实机器人肢体上进行测试
Artificial AnalysisAI 评分3838 DeepSeek V4.1 Flash 基准测试结果
我们已将 DeepSeek V4.1 Flash 添加到 AA-AgentPerf，并提供了 NVIDIA 和 AMD 硬件的测试结果。在每用户 100 tokens/s 的条件下，NVIDIA GB300 以高达 261M tokens/s per MW 的吞吐量位居第一。AA-AgentPerf 是我们的智能体推理性能基准测试。它重放真实的智能
Artificial AnalysisAI 评分3838 Perplexity Decider v1.1成本最低
在 Artificial Analysis Decision Index v1.0 的四个基准测试中，Perplexity 的 Decider v1.1 27B 每百万任务成本最低，为 $17。它与 Microsoft-Decision-1 ($31) 和 Jev 1.13 ($42) 一起位于能力与成本的帕累托前沿。Celeris-1 Decision 具有
Artificial AnalysisAI 评分4242 Artificial Analysis 发布决策指数
推出 Artificial Analysis Decision Index，对分类、工具调用、知识和推理的决策模型进行基准测试。Jev 在决策模型中领先；Claude Haiku 5.5 等语言模型仍提供更高的准确率，但成本要高得多且
Artificial AnalysisAI 评分1212 Artificial Analysis发布Gemini 4 Argon基准
Artificial Analysis上的完整基准测试集：https://artificialanalysis.ai/models/gemini-4-argon…
Artificial Analysis精选AI 评分8080 Gemini 4 Argon 正式发布 GA
Gemini 4 Argon 现已正式进入 GA（一般可用性）阶段。根据 Artificial Analysis Intelligence Index，Argon 的排名与 GPT-6 Astra 持平，但每任务成本仅为后者的 60%。这是 Google 重新向公众发布前沿模型，且在 11 月 30 日前提供折扣价格。
推荐理由：原文提供了 Gemini 4 Argon 与 GPT-6 Astra 在智能指数和任务成本上的具体对比数据，有助于评估其性价比。
Artificial AnalysisAI 评分2525 Drama 3 Preview语音鲁棒性领先
Pronunciation Robustness（发音鲁棒性）衡量文本转语音模型在四个类别中正确发音挑战性文本的能力，由人工评审员根据预先商定的可接受发音对每个音频片段进行评判。Drama 3 Preview 以 93.2% 的得分位居整体榜首。➤ 独立术语：Drama 3
Artificial AnalysisAI 评分3737 Fish Audio Drama 3 Preview登顶TTS榜
Fish Audio的Drama 3 Preview是Artificial Analysis文本转语音排行榜上新的第一开源权重模型。该模型在我们的发音鲁棒性排行榜中也领先所有模型，超过Eleven v4和Eleven v4 Turbo
Artificial AnalysisAI 评分1515 GLM-5.3 各提供商任务成本
在此探索所有 GLM-5.3 (max) 提供商的任务成本：
Artificial AnalysisAI 评分5252 Artificial Analysis 上线按服务商统计的缓存命中率与任务成本数据
Artificial Analysis 平台现已上线按服务商维度统计的缓存命中率和单任务成本（Cost per Task）数据。以 GLM-5.3 (max) 为例，不同服务商间的单任务成本差异约为 9 倍，这主要由缓存命中率和 token 定价共同决定。由于 Agentic 工作负载每轮需重发完整对话历史，该指标对评估实际运行成本具有重要参考价值。
DeepLearning.AIAI 评分5555 Gemini 4 Argon 在 AA-Omniscience 幻觉率测试中优于 GPT-6 Astra
Gemini 4 Argon 在 AA-Omniscience 基准测试中的幻觉率为 15%，显著低于 GPT-6 Astra 的 51%。该模型目前在 Vals Index 上排名第一，反映了其在法律及其他知识工作中的高性能表现。现阶段仅 Google Fairwind 项目中的网络安全防御人员可访问相关资源。
Ethan MollickAI 评分1212 勿过度依赖Artificial Analysis指数
人们过于严肃地对待 Artificial Analysis Index 及其各项评分。
Artificial AnalysisAI 评分3535 Muse Wonder Full 六项评测进前三
Muse Wonder Full (max) 在 Artificial Analysis Intelligence Index v4.3 的十项评估中，有六项进入前三名：➤ CritPt (33%) 和 GDP.pdf (33%) 排名第 1 ➤ GDPval-AA v2.1 (1857 Elo) 排名第 2 ➤ AA-Briefcase (1729 Elo)、AutomationBench-AA (71%) 和 SciCode (63%) 排名第 3
Artificial Analysis精选AI 评分6262 Artificial Analysis 发布新模型基准测试报告
Artificial Analysis 发布了针对最新 AI 模型的基准测试结果。该报告由第三方独立机构提供，旨在通过标准化评测展示模型性能表现。
推荐理由：第三方评测机构发布了新模型的基准测试结果，提供了独立于厂商的性能数据参考。
Artificial AnalysisAI 评分4242 FrontierCode任务成本差异显著
在 FrontierCode 上，单任务成本跨越两个数量级，从 GPT-6 Luna (max) 的 $0.09 到 Claude Fable 5.1 (max with fallback) 的 $12.00。四个模型位于得分与单任务成本的帕累托前沿：GPT-6 Luna (max) 得分为 42%，每任务成本 $0.09；MiMo-V2.6-Pro 得分为 45%
Artificial AnalysisAI 评分3030 Artificial Analysis 上线 FrontierCode 1.1 榜单
我们推出了 FrontierCode 1.1 排行榜，这是 Cognition 的一项私有评估，测试模型完成编码任务的能力，其结果需能被真实仓库维护者实际合并。@cognition 于 2026 年 6 月宣布推出 FrontierCode 并进行了更新
Artificial AnalysisAI 评分3535 AA-3D 评测机制：构建检查投票排名
AA-3D 工作原理：构建、检查、投票、排名 ➤ 每个模型作为离线沙盒中的智能体，将书面简报转化为网页 ➤ 无头浏览器和人工检查每个场景 ➤ 评审员比较来自同一简报的盲测配对 ➤ Bradley-Terry 拟合将投票转化为
Artificial AnalysisAI 评分4242 Artificial Analysis 发布 AA-3D 基准
我们已测量智能。现在该看看它了。我们推出 AA-3D，这是衡量 AI 模型构建交互式 3D 场景能力的新基准。每个模型作为代理在离线沙盒中运行，将书面简报转化为 three.js 网页。一个人类评审小组
DeepLearning.AI精选AI 评分8282 DeepLearning.AI 报道某新模型发布及性能表现
DeepLearning.AI 转发消息指出某新模型已发布，该模型在多项基准测试中展现了显著的推理能力提升。具体版本号及详细评测数据未在短文中列出。
推荐理由：原文提及了特定模型版本的发布及其在推理能力上的表现，读者可据此了解最新模型迭代的关键特性。
Artificial AnalysisAI 评分5858 Artificial Analysis 发布图像生成模型能力评测
Artificial Analysis 发布了针对主流图像生成模型的能力评测结果。该评测基于独立测试数据，对比了不同模型在生成质量、一致性等维度的表现，帮助用户直观了解各模型的实际效果差异。