协作智力基准发布：18 个模型当队友，最高只拿 82.2 分

斯坦福、MIT 和牛津的研究者发布协作智力基准，用 240 道可程序验证任务和 8 个协作维度，测单个模型当队友的表现，只对模型独力能解对的题计分。18 个模型中 Gemini 4 Argon 默认得 76.6 分，推理开到最高后达全场最高的 82.2 分；GPT-6 Astra 得 76.5 分，Claude Opus 5.5 得 71.0 分。前沿模型在安全和举报维度通过率至少 93%，但冲突处理里 81% 的运行最终接受了较差方案，接手弱模型作弊过的任务时通过率从 97% 降到 81%。开源最好的 Kimi K3.1 Pro 得 59.9 分，超过 5 个封闭模型；约 45% 的失败发生在模型已识别出问题之后。