Analysis

§ 01综述

近期 AI 领域的评测与基准测试（Benchmark）呈现爆发式更新，各大模型在速度、成本与特定任务能力上展开激烈竞争。

长音频转录精度与速度突破：微软推出的 MAI-Transcribe-1.5 在长音频转录任务中将词错误率（WER）降至 2.4%，同时实现最高 5 倍的加速，标志着自动语音识别在工业级应用中的性能再上台阶 (微软发布 MAI-Transcribe-1.5：WER 2.4%，长音频转录快 5 倍)。

综合测评榜单频繁洗牌：Step 3.7 Flash 登顶 AA（Artificial Analysis）速度/成本/端到端性能排行榜，同时 DigitalOcean 的 AI-Native Cloud 上线 OpenRouter 服务，宣称 DeepSeek V3.2 在推理速度上领先 (Step 3.7 Flash 登顶 AA 速度/成本/端到端性能榜, DigitalOcean AI-Native Cloud 上线 OpenRouter，DeepSeek V3.2 速度领先)。

开源模型竞争格局变化：Nvidia Nemotron 3 Ultra 成为美国最强的开源模型，但评测指出中国模型在整体性能上仍保持领先，反映中美在开源 AI 领域的角力 (Nvidia Nemotron 3 Ultra 成美国最强开源模型，但中国仍领先)。

企业 IT 任务专用基准兴起：ITBench-AA 基准测试显示，当前最前沿模型的平均得分不足 50%，说明复杂企业 IT 自动化任务仍是 AI 的难点，阿里 Qwen3.7-Max 在该榜单中位列第三 (Qwen3.7-Max 登顶 ITBench-AA 企业 IT 任务评测第三, ITBench-AA：前沿模型在企业IT任务基准测试中得分不足50%)。

当前焦点在于：评测指标正从单一的“智能水平”转向融合速度、成本、特定领域性能（如 IT 自动化、长音频）的多维评估。未来值得观察：专用基准（如 ITBench-AA）是否会主导模型发布方向，以及开源模型在中美竞争下的迭代节奏是否进一步加速。

§ 02相关报道10 条在档

§ 03邻近话题