#评测/基准

作者用 30 条实时查询评测 You.com、Tavily、Exa、Parallel 四家 AI 智能体搜索 API

Pallavi Singla 用 30 条智能体式查询（GTM、保险、金融各 10 条，每条重复 3 次共 90 次调用）横向评测 You.com、Tavily、Exa、Parallel 四家搜索 API。

Ai2 发布 Old Ideas, Novel Problems 研究：LLM 判断研究想法新颖性可靠吗

Ai2 发布 Old Ideas, Novel Problems 研究，并公开基准、数据和代码，用于测试 LLM 新颖性评判器。

Property Finder 如何修复评估偏差，在 Amazon Bedrock 上选出更优模型

Property Finder 发现其评估标签中 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结构性处于劣势。团队重新人工标注 356 张 UAE 图像并改用多标签分类，结合进化式提示词优化在 Amazon Bedrock 上迭代 v0 到 v27，最终实现准确率提升且成本降低 86%。

Ai2 发布 Old Ideas, Novel Problems 研究：LLM 能否可靠判断研究想法的新颖性

Ai2 发布研究 Old Ideas, Novel Problems，并公开基准、数据和代码，用于测试 LLM 新颖性判断器。研究基于 ICLR 2026 评审意见构建了 154 条高新颖性和 145 条低新颖性的人类想法池，另将 154 条人类想法与 LLM 生成想法配对。

SAS 多指标法庭 v1.1.0：以 κD = 0.56 阈值检测 AI 幻觉的结构一致性审计架构

SAS（Symbiotic Autoprotection System）发布多指标法庭 v1.1.0，用 7 个检测模块对（源文本, 回答）对做结构一致性审计，按 ISI 分数划分三个结构区，κD = 0.56、κR = 0.15。

AI 能否凭记忆画出旧金山？六款聊天模型反向地理编码实测

研究者向 Anthropic、OpenAI、Google 各两款共六个聊天模型输入旧金山 41,526 个经纬度点，让其在无地图无联网条件下判断该处是水域、公园还是其他，并与 OpenStreetMap 比对。

Heal 发布 AI PR 审查基准：70% 用户可见缺陷未被代码审查机器人发现

Heal 发布针对 AI PR 审查的基准，回放 5 个产品共 236 个 PR，发现 Heal 在运行时证明的 202 个用户可见缺陷中有 141 个（70%）未被任何代码审查机器人发现。

Browser Use 与 Browserless 对比：定价、隐身能力与功能差异

Browser Use 与 Browserless 均提供免自建浏览器集群的自动化能力，但计费与部署方式不同。Browser Use 按 $0.02/浏览器小时计费且无订阅，Browserless 采用订阅加用量单位制，Prototyping 年付起价 $25/月。

我用 2,500 道设计系统题测试了 12 个小模型

作者用 2,500 道设计系统问题测试了 12 个小模型，原文未披露具体模型名称、测试分数与结论。

Anthropic 提交 S-1 拟登陆纳斯达克，H1 2026 收入 163 亿美元、Q2 运营利润 9.74 亿美元

Anthropic 于周一公开提交 S-1，计划以代码 ANT 在纳斯达克上市，收入从 2023 年的 4100 万美元增至 2026 年上半年的 163 亿美元，Q2 单季 116 亿美元、同比增长 1368%。

OpenAI 发布 GPT-6.1 Terra，API 价格减半并逼近更大模型

OpenAI 发布 GPT-6.1 Terra，API 输入每百万 token 1 美元、输出 5 美元，均为 GPT-5.6 Terra 的一半，缓存输入降至每百万 token 0.05 美元。

同一新闻，精选展示《OpenAI 发布 GPT-6.1 Terra》

研究总结 AI 文本读起来费力的六种句式

纽约大学与得克萨斯大学奥斯汀分校的研究让 14 个语言模型在闲聊、编码和议论文场景生成文本，共分析 120 段对话、45 次编码会话和 980 篇议论文，并与电影字幕、StackExchange 和学生作文等人类文本对比，归纳出六种让 AI 文本读起来费力的句式。

Anthropic 联合创始人 Jack Clark 将自我改进 AI 预测提前至 2027 年

Anthropic 联合创始人 Jack Clark 把递归自我改进（RSI）可能出现的时间从 2028 年提前到 2027 年，依据是数学突破进展和 P-Zero Research 的 TasteVal 基准。

南京大学与商汤发布 OpenMobile-2 开源手机智能体

南京大学、商汤等机构的研究者发布 OpenMobile-2，基于 Qwen3.5 和 Qwen3.6 构建 9B 与 27B 两个手机智能体模型，并公开训练环境、数据和复现说明。

研究：花哨的编码智能体框架只增加成本，并未提升效果

Liu 与 Han 的研究发现，在 SWE-bench Verified 上更换编码智能体框架对通过率的影响与同一配置重跑一次的波动相当，中位翻转率均为 13%，而更换模型则达到 22%。

月之暗面发布 Kimi K3.1 Pro，API 上线并承诺 11 月 4 日前开放权重

月之暗面在 Kimi API 上线 Kimi K3.1 Pro，暂未开放权重，承诺 2026 年 11 月 4 日前发布完整模型权重。定价为输入 $2.00/百万 tokens、输出 $10/百万 tokens，与 GPT-6.1 Sol 相同、为 Claude Opus 5.5 的一半，另提供速度快 2-3 倍、价格翻倍的 Highspeed 版本。

月之暗面发布 Kimi K3.1 Pro，Artificial Analysis 智能指数升至第四

月之暗面发布推理模型 Kimi K3.1 Pro，在 Artificial Analysis 智能指数上得分 55，比 Kimi K3 提升 11 分，位列第四，仅次于 Claude Opus 5.5（58）、Claude Sonnet 5.5（56）和 Muse Wonder Full（56）。

微软 MAI-DxO 多智能体诊断系统在复杂病例模拟中准确率 83%，高于全科医生的 36%

微软的 MAI-DxO 系统在《Science》发表的研究中，对《新英格兰医学杂志》复杂病例的模拟诊断准确率为 83%，而单独作答的全科医生和内科医生为 36%，但这些复杂病例通常由专科医生或团队处理，未纳入对比。

Google 发布地理空间推理智能体技术报告并开放早期访问

Google 发布 Geospatial Reasoning 智能体的技术报告，在 CBGB、UnivEARTH 及自研的 GeoExpertQueries、GeoKTools 四个基准上对比四种配置，结论是 Earth AI 专用技能显著提升定量空间任务表现，开放式问题还需前置规划。

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

Import AI 476 聚焦三项进展：Elorian 与 Scale AI 发布 Humanity's Sixth Sense 基准，含 522 道题、288 张图和 234 段视频，人类 pass@1 达 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 与 Kimi K3 分别只有 26.8 和 25.5。

Microsoft 研究播客：AI 会犯哪些错，失败能教我们什么

Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中与首席应用科学家 Chad Atalla 对话，讨论评估如何推动 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 发布 ReviewBench：面向 AI 代码审查的开放基准

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 103.9M 条 GitHub PR 的分布构建，包含 219 个 PR、覆盖 19 种语言。