微软用合成企业数据评估 Copilot：从模拟租户到首个标准化评测基线
微软构建 Industry Evaluation Data Generation Platform，用基于 O*NET、招聘信息和 SEC 文件等公开数据生成的全合成企业环境来评估 Microsoft Copilot，全程不使用客户数据。
#评测/基准
Microsoft ResearchAI 评分2828
The DecoderAI 评分6262 Mistral 发布 Mistral Large 4 并开放权重，编码能力领先开源模型但整体仍落后中国模型
Mistral 在公开预览三周后于 Hugging Face 放出 Mistral Large 4 权重，该模型约 1 万亿参数、每步激活 52B，支持文本与图像输入。
量子位同新闻AI 评分8080 谷歌发布Gemini 4 Carbon，多项基准超越Claude Opus 5.5
谷歌发布Gemini 4 Carbon，在Artificial Analysis智能指数5.0上以59分登顶全球第一，超过Claude Opus 5.5和GPT-6 Astra。
The Decoder同新闻AI 评分8282 Google DeepMind 发布 Gemini 4 Carbon，距 Argon 仅两周
Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon，该模型在 Artificial Analysis Intelligence Index v5.0 上得分 59，高于 Argon 的 50，位列第一。
The DecoderAI 评分4747 Artificial Analysis 改版 Intelligence Index：开源与闭源模型差距扩大至 12 分
Artificial Analysis 改版 Intelligence Index 后，Kimi K3.1 Pro 从第 4 名跌至第 9 名，落后于 8 个闭源模型，开源模型与榜首差距从 3 分扩大到 12 分。
AWS Machine Learning BlogAI 评分5858 Property Finder 如何修正 Amazon Bedrock 上的评测偏差并选出更优模型
Property Finder 发现其评测标签中 96.8% 直接来自现有视觉语言模型的预测而非人工核验，导致任何替代模型在比较中处于结构性劣势。
Hugging Face BlogAI 评分3434 Ai2 研究：LLM 能否可靠判断研究想法的新颖性？
Ai2 发布 Old Ideas, Novel Problems 研究，测试 GPT-5.1、GPT-5.2、GPT-5.4、Claude Sonnet 4.5、Claude Opus 4.5 和 Claude Opus 4.6 六个 LLM 判断研究想法新颖性的可靠性。
爱范儿AI 评分2222 首发体验：用了一周 iPhone Duo，折叠屏 iPhone 的极致与妥协
爱范儿高强度使用 iPhone Duo 一周后认为，它是第一梯队折叠屏产品，但建议稍晚两个月再买。iPhone Duo 用开合动画、半折系统状态和纳米纹理表层把折叠形态实用化，iOS 27.1 SDK 应用可自动适配，Netflix、《绝区零》等已推出适配版本。不过微信、抖音等高频应用仍在适配中，eSIM 与 Touch ID 也带来妥协。
The DecoderAI 评分6262 OpenAI 称 GPT-6 在 COBOL、Fortran 等遗留编程语言上表现大幅提升
OpenAI 针对 COBOL、Fortran、Visual Basic 等训练代码稀缺的遗留语言改进了最新模型，并构建 MultiLangBench 与 COBOL 迁移两项评测。
Hugging Face BlogAI 评分3131 Hugging Face 推出 FairStress：评估 LLM 决策公平性的新基准
Hugging Face 发布 FairStress 基准，用于衡量 LLM 在招聘、贷款、医疗等决策中的群体公平性，覆盖 Olmo、Llama、Qwen、Gemma、Claude 和 GPT 系列模型。
极客公园AI 评分2929 DeepSeek-V4.1-Flash-1017 登顶 Code Arena WebDev 开源模型榜首
DeepSeek-V4.1-Flash-1017 以 1670 分超过 Kimi K3（Max），成为 Code Arena WebDev 榜单排名最高的开源模型，仅落后 GPT-6 Sol（Max）12 分。该模型于 10 月 17 日推出，高峰时段每百万 Token 输入 2 元、输出 8 元，综合成本约为 Kimi K3 的 1/10。
TechCrunch · AIAI 评分3636 Hugging Face 政策负责人：嵌入式 AI 评估器并非易事
Hugging Face 首席政策官 Irene Solaiman 在 TechCrunch Disrupt 上表示，嵌入式 AI 评估器并非易事，评估结果的可复现性仍是核心难题，开放权重对复现至关重要。
The DecoderAI 评分6767 MiniMax 发布 M3.1 Flash 推理模型，每任务成本约 0.22 美元
MiniMax 发布推理模型 M3.1 Flash，在 Artificial Analysis Intelligence Index 上得分 42，比前代 M3 高 13 分，每任务成本不到其一半。
The DecoderAI 评分5252 新基准 Taste-Bench 衡量 AI 智能体的长期决策品味
研究者提出 Taste-Bench，用 502 道二选一题目衡量智能体在决策分叉处选择更优路径的能力，最佳模型 GPT-5.6 Sol 平均准确率仅 59.7%，接近随机猜测的 25% 基线。
The DecoderAI 评分5858 Google Gemini 4 Argon 在 ARC-AGI-3 得分 97.5%，逼近 AI 前沿
Google DeepMind 的 Gemini 4 Argon 在 ARC-AGI-3 上取得 97.5% 的成绩，成为继 OpenAI 之后第二家跨过 95% 门槛的实验室，成本为 4800 美元。
The Verge · AIAI 评分4040 一周体验 RTX Spark：英伟达新款笔记本的一切已知信息
英伟达 RTX Spark N1X 处理器已随多款笔记本上市，N1X 芯片配备 20 个 CPU 核心与 6,144 个 GPU CUDA 核心，旗舰机型 Surface Laptop Ultra 搭载 128GB 统一内存，售价从 HP OmniBook Ultra 的 $3,199.99 到 Asus ProArt P16 的 $6,999.99。
量子位AI 评分4242 优必选 Thinker-WM 登顶三大具身世界模型基准，单模型统一多模态表征实现六大能力
优必选 Thinker-WM 在 WorldOlympiad、EWMBench、WorldArena1.0 Track-1 三大具身世界模型基准中均拿下第一，WorldOlympiad 综合得分 0.740，EWMBench 总分 4.66，超过 Qwen-RobotWorld、Sora2 等模型。
Import AIAI 评分3838 Import AI 476：创造力与递归自我改进；不如中国的开源权重模型；AI 走向太空
Elorian 与 Scale AI 发布 Humanity's Sixth Sense 基准，用 522 道题测试多模态模型的直觉视觉推理，人类 pass@1 达 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 为 26.8、Kimi K3 为 25.5。
Microsoft ResearchAI 评分2828 Microsoft 研究播客：AI 评测的意外失败能教给我们什么
Microsoft 研究合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中与首席应用科学家 Chad Atalla 讨论评测如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的"意外失败"。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布代码审查离线基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布构建，包含 19 种语言的 219 个公开 PR 和带严重级别与类别标注的多来源黄金集。