来自 NUS、NTU 等高校及 GaugeForge 的联合团队提出 Verified Autonomy（验证自治）概念，并搭建虚拟量子工程实验室 Quantum-Harbor 与 49 项任务的评测集 QIQCBench，对 17 个顶级 AI Agent 进行压力测试，排行榜通过率从最高 78% 跌至 3%。
AI 评分 62 / 100
谷歌 Gemini 4 系列内部代号 Carbon 的新版本已进入内部编程平台 Jetski 测试，员工反馈其编程表现接近 Claude Opus 5.5。此前 Argon 在 DeepSWE v1.1 达 77.9% 高于 Opus 5.5 的 74.2%，但 Terminal-Bench 4.0 仅 57.4% 落后于 66.4%。
AI 评分 40 / 100
OpenAgents 联合哥伦比亚大学、宾夕法尼亚大学等机构构建了多智能体协作评测基准 AgentWorld，在 100 个人工设计任务及 100 个增强变体上评测 Gemini 3 Flash、Claude Haiku 4.5、GPT-5 Mini 和 DeepSeek R1-70B。
AI 评分 42 / 100
作者在 M5 笔记本上实测 DuckDB 2.0 alpha，发现读取 S3 数据比 1.5.5 快 2–3 倍且无需改动查询，因为新增独立下载线程池配合 read_ahead_depth 参数（默认 -1 自动开启）。
AI 评分 62 / 100
Google 发布新一代生图模型 Nano Banana 2.1，围绕视觉设计、蒙版编辑、主体一致性和画面真实自然性全面升级，支持 4K 直出。据 Arena 评测，其在文本转图像、多图像编辑和单张图像编辑三项上平均提升约 61.7 分，其中文本转图像排名第四、比上一代提升 80 分，仅次于 GPT。
AI 评分 71 / 100
Google 发布新一代生图模型 Nano Banana 2.1，围绕视觉设计、蒙版编辑、主体一致性和画面真实自然性升级，支持 4K 直出。据 Arena 评测，其在文本转图像、多图像编辑和单张图像编辑三项上平均提升约 61.7 分，文本转图像排名第四、仅次于 GPT。
AI 评分 71 / 100
懂车帝对尊界 V800 进行制动测试时，刹车踏板底座在全力制动下发生断裂，第三次测试中压力读数达 1612N 时踏板底座脆断，江淮集团股价连续两天跌停。尊界回应称 V800 刹车踏板强度高于现行强制国标和推荐性团体标准，已提车用户未发现类似故障，将优化部件设计并提供免费升级。
AI 评分 62 / 100
墨尔本大学与新南威尔士大学联合团队提出多会话语音记忆基准 VoxMem，用「声学证据×记忆操作」二维分类法覆盖 15 种考察组合，含 3,196 个评测实例、34,743 个语音会话（约 177 小时）。对 15 个音频大模型的评测显示，32K 历史长度下无一整体准确率超过 40%，追踪语气变化和背景声变化的平均准确率仅为 3.4% 与 1.2%。 brief: yes
AI 评分 38 / 100
墨尔本大学与新南威尔士大学联合发布音频记忆基准 VoxMem，含 3196 个评测实例、34743 个语音会话、约 177 小时音频，覆盖 8K 到 64K 历史长度。
AI 评分 48 / 100
AI 模型众包排行榜 Arena 完成 2 亿美元 B 轮融资，估值达 31 亿美元，由 Lightspeed Venture Partners 和 Khosla Ventures 领投，Salesforce Ventures、01 Advisors、Dell Technologies Capital、Endeavor Catalyst、a16z、Felicis 等参投。
AI 评分 62 / 100
Anthropic 发布快速低成本模型 Claude Haiku 5.5，价格与 OpenAI 的 GPT-6 Luna 一致，为每百万输入 0.10 美元、输出 0.50 美元，超过 100,000 tokens 后涨至 0.50/2.50 美元。
AI 评分 74 / 100
爱范儿在《NBA 2K27》上实测 DLSS 5 正式版，开启后球员面部、球衣、地板和光影关系明显更接近真实摄影机拍出的 NBA 比赛质感。
AI 评分 71 / 100
Simon Willison 用同一提示词测试 Mistral Large 4 生成 SVG 的能力，与 Claude Opus 5.5、GPT-6.1-sol、Gemini 3.8 Flash 进行对比，提示词为"生成一只穿渔网袜在火星上乱穿马路的犰狳"。各模型均使用默认推理级别。
AI 评分 32 / 100
HackerRank 将其 AI 面试官 Chakra 面向客户正式开放，此前约六个月的测试中已完成超过 50 万场面试，Snowflake、Snorkel、Capgemini 等公司参与试用。
AI 评分 62 / 100
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含 219 个 pull request、覆盖 19 种语言。
AI 评分 60 / 100
爱范儿上手体验了华为睿影 Z10 模块相机，它通过 HyperClick 超级卡口安装在 Mate 90 Pro Max 典藏版及非凡大师机身背部，内置 1 英寸 5000 万像素 RYYB 传感器和 24mm-240mm 10 倍连续光学变焦镜头，最大光圈 F2.0-F4.5。
AI 评分 58 / 100
Latent Space 的 AINews 汇总 10 月 1 日至 2 日动态：OpenAI 发布 GPT-6.1 Sol，定价为每百万输入/输出 token 2 美元和 10 美元，据称在 DeepSWE v1.1 上比 GPT-6 Sol 高 6.4 分，在 AutomationBench 上比 Opus 5.5 高 2.2 分。
AI 评分 70 / 100
The Verge 记者 Allison Johnson 实测 OpenAI 本周发布的智能体平台 Dots，它带有拟人化头像和可自定义名称，界面与 Meta Muse 类似，一个窗口对话、另一个窗口观看它在虚拟机上操作。
AI 评分 58 / 100
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
AI 评分 38 / 100
OpenAI 发布 MentalHealthBench，一个由专家参与构建的基准，用于评估 AI 在真实心理健康对话中回复是否有帮助且安全。
AI 评分 31 / 100
英国 AI Security Institute（AISI）正使用 EvalEval 的 Every Eval Ever schema 和 Evaluation Cards 平台公开分享评测结果，以提升评测科学的可复现性与可验证性。
AI 评分 36 / 100
IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve 新增的一致性指南，用于解决 Agent 重复执行同一任务时结果不稳定的问题。
AI 评分 60 / 100
Qwen 团队联合淘天集团发布 E-Commerce Bench，用 365 天、10 万元初始资金的模拟经营环境评测 LLM Agent 的长程商业运营能力。
AI 评分 72 / 100
Hugging Face 发布 BenchMIRT，一种在单条 prompt 层面审计 LLM benchmark 的多维 IRT 方法，可分离同一评测中混杂的不同能力信号。
AI 评分 30 / 100
Hugging Face 与 Voice Arena 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语由此成为该多语言榜单上的首个印度语言。
AI 评分 48 / 100
Hugging Face 发布研究，用共识分歧探针、掩蔽实体检索和拼写切换三项测试量化语音识别中的基准优化现象，评测了 11 个开源 ASR 模型。结果显示部分 WER 最低的模型会复现 VoxPopuli 和 LibriSpeech 参考转写中的错误，包括音频中被静音的数字，在 VoxPopuli 上复现错误参考的比例为 18–30%。
AI 评分 62 / 100
Import AI 第 469 期介绍了新基准 DiG-bench（Discovery in Games），包含 70 款规则与目标均隐藏、需靠交互探索发现的游戏，其中 21 款已公开。
AI 评分 32 / 100
Microsoft Research 推出 MindTopo 基准，用于评测多模态大模型在连通性、封闭性、顺序、分离与打结等拓扑概念上的推理与规划能力。测试显示，模型在静态图像识别上表现明显优于交互式规划任务，失败多发生在规划阶段而非感知阶段，且整体远低于人类水平。图像与视频生成仅在单帧关系可见时偶有帮助，跨序列操作时仍不可靠。
AI 评分 38 / 100
Hugging Face 推出 ALTK-Evolve，与 ACE 同属无需权重更新的智能体记忆方案，区别在于交付方式：ACE 每步注入完整 playbook，ALTK-Evolve 按任务检索少量高支持度 guideline。
AI 评分 38 / 100
Import AI 第 468 期收录了智库 IFP 提出的 23 条政策建议，分属 7 个类别，用于帮助政策制定者应对 AI 研发进一步自动化的风险。MIT 与 Columbia 的论文《Racing to Ruin》分析双寡头 R&D 竞争，认为信任与透明度是竞争对手实现协调减速的两个关键变量。本期还介绍了 PostTrainBench+ 以及一篇关于智能机器与机器人身体的虚构短篇故事。
AI 评分 32 / 100
微软研究院发布开源框架 Orchard，核心是 Kubernetes 环境服务 Orchard Env，可复用于软件工程、网页导航和个人助理等任务，并支持在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 中直接训练智能体。
AI 评分 72 / 100
开启两项 API 设置后，GPT-5.6 在 ARC-AGI-3 基准测试中的得分提升至原来的三倍。这两项设置分别用于保留推理过程和启用压缩（compaction），在提升得分的同时也改善了效率。
AI 评分 40 / 100
Epoch 与 METR 发布 MirrorCode 基准，考察 AI 系统能否仅凭 CLI 访问从零重写软件程序：25 个目标程序中 17 个至少有一次满分运行，Opus 4.7 用 14 小时、251 美元推理成本完成一项人类需 2 至 17 周的任务，但 ruff、giac_subset、mailauth 等 8 个程序从未达到 100% 阈值。
AI 评分 66 / 100
Hugging Face 发布 Real World VoiceEQ 基准，用于评估语音 AI 的人类交互质量，覆盖 40 多个专有与开源语音模型、15+ 评估维度和 60+ 指标，涵盖 ASR、TTS、S2S 与语音理解。
AI 评分 50 / 100
OpenAI 发布新分析，指出热门编码基准 SWE-Bench Pro 存在可靠性问题，引发对 AI 模型评测准确性的担忧。该分析聚焦于如何从编码评测中区分有效信号与噪声。
AI 评分 38 / 100
Hugging Face 发布 ScarfBench（Self-Contained Application Refactoring Benchmark），用于评估 AI 智能体在 Spring、Jakarta EE、Quarkus 之间的跨框架迁移能力，包含 34 个应用、102 个框架实现、204 个迁移任务和 1331 个专家测试。
AI 评分 44 / 100
Every Eval Ever（EEE）与 Hugging Face Community Evals 现已互通，评测结果可交叉发布并回链至完整 EEE 记录。EEE 数据存储已收录约 229,000 条评测结果，覆盖超 22,000 个模型和 2,200 个 benchmark，来自 31 种报告格式。
AI 评分 36 / 100
Hugging Face 与 Treble Technologies 联合发布首个开放、社区驱动的远场 ASR 基准 FFASR Leaderboard，覆盖 14 个模拟房间，并设有 Lab Measured 与 Lab Simulated 两条 sim-to-real 验证赛道。
AI 评分 47 / 100
Qwen 团队发布 Qwen-AgentWorld，一个原生语言世界模型，用单一模型模拟 MCP、Search、Terminal、SWE、Web、OS、Android 七类智能体环境，并同步开源 35B-A3B 版本与 AgentWorldBench 评测集。
AI 评分 82 / 100
Hugging Face 在 PEFT 库中加入统一条件的基准测试，比较 LoRA 与其他参数高效微调技术的表现。
AI 评分 62 / 100