#基准测试
想看看哪个模型最擅长完成真实世界的复杂任务？Agent Arena用百万任务和因果追踪方法给出了答案，比普通基准更贴近实际。
Perplexity AI搞了个新评测WANDR，专门看智能体能不能找到一堆实体并核实每个的具体信息，比单一评分更清楚哪里不行。
苹果推出了MM-ToolSandBox框架，帮你测测视觉智能体到底行不行，结果很扎心：最强模型成功率不到一半，而且问题出在“看图”而不是“想事”。
想研究LLM在社交推理中的真实信念？MafiaScope用探针实验和反事实回放，让你看到智能体表面的伪装。DeepSeek案例数据很硬核。
这篇论文提出了EYT-Bench，能更真实地测出LLM在多轮对话中的意图追踪能力。用16/17模型发现推理模式大幅提升长上下文准确率，值得关注。
OpenAI的GPT-5.6 Sol在Agent Arena上冲到第二，比前代进步明显，和Claude Fable 5差距缩小了，想看看真实任务中模型表现的话值得关注。
斯坦福团队搞了个新框架，不用传统评分，用细粒度验证加logprob分布，直接刷了四个Agent基准的SOTA，还能顺便提升RL效率。
GPT-5.6 Sol 这次在编程智能体评测上确实猛，分数更高还更快更便宜，值得看看。
这篇论文拿IdeaGene-Bench测了14个LLM，最强也只有27.3%准确率，而且加谱系信息反而搞乱排名。想看看AI离真正理解科学进化还有多远？读它。
OpenAI 出了 GPT-5.6 系列，分三档定价，最贵的 Sol 编程跑分超 Claude Mythos 5，微软 Copilot 也直接用上了。想试试新模型可以看看。
OpenAI 新模型 GPT-5.6 Sol 真强，编码基准甩开 Claude Fable 5，还更快更便宜。
想选行业AI模型？Claude Fable 5 碾压全场，但成本是 DeepSeek V4 Pro 的百倍，性能只多 12 分，性价比得掂量。
Qdrant刚发了博客回应Elastic的测试，发现对方没开它的优化功能，一开就反超了：吞吐量翻倍，延迟减半，计算资源只要三分之一。想选向量数据库的可以看看。
想研究格斗游戏AI？这个新基准FootsiesGym基于极简游戏Footsies，自带高效模拟器，适合强化学习训练和对比。
想测测视觉语言模型能不能只看截图就生成可交互的网页应用？这篇论文提出了UI2App基准，发现模型在视觉还原上还行，但交互推理差得远，最高分才7.5。
