OpenAI 发布 GPT-6 Luna 更新版系统卡，模型回复更简洁并减少过度附和
OpenAI 在 ChatGPT 中更新 GPT-6 Luna，新版 GPT-6 Luna（10月29日）回复更简洁并减少过度附和语言，沿用 10月7日版本的防护栈与数据训练方式。
推荐理由：更新版让回复更简洁并减少过度附和，但六项事实性指标错误率均较10月7日版上升，可对照权衡取舍。
#评测/基准
OpenAI · 部署安全与系统卡精选AI 评分6060
InterconnectsAI 评分6161 Nathan Lambert 解读 Artificial Analysis 智能指数 v5 与评测者的两难
Nathan Lambert 撰文分析 Artificial Analysis 智能指数 v5 及其折射的评测者两难，认为把模型能力聚合为单一数字必有取舍，而独立评测在万亿美元市场中实际左右赢家与输家。
Pydantic AI 官方文章精选AI 评分7070 Pydantic AI 发布5276次运行的基准，验证code mode让长任务成本降58%、时间降51%
Pydantic AI 作者自建基准，用5个小型CRUD应用、8个模型、5276次评分运行对比开关code mode的效果。长任务上8个模型平均成本降58%、墙钟时间降51%，成功率高16个百分点；200条任务时无code mode成功率从92-100%滑到62-79%，开启后保持92-100%。
推荐理由：原文用5276次受控运行量化code mode在长短任务上的成本与正确率变化，还诚实列出小任务税收等代价，结论可直接迁移到自己的Agent设计。
goose 官方博客精选AI 评分6363 goose 对比实测五种开源编码 harness，同一模型下通过率相近而成本最多相差 75%
goose 团队让 goose、Codex CLI、OpenCode、Hermes Agent、pi 五个开源编码 harness 使用同一模型 gpt-6.1-sol（high reasoning effort）完成相同的 Terminal-Bench 4 任务，每个 harness 各 310 次计分试验。
推荐理由：同一模型下各 harness 通过率无显著差异而成本最多相差 75%，为编码 Agent 选型提供了实测成本参照。
IBM Research · AIAI 评分5757 IBM 与 Kaggle 推出 ScarfBench 排行榜，评估编码智能体的 Java 框架迁移能力
IBM 与 Kaggle 合作推出 ScarfBench 排行榜，评估编码智能体能否把企业级 Java 应用在 Jakarta EE、Quarkus、Spring 间迁移并保持可运行行为。
Ai2 / Allen Institute for AI精选AI 评分6464 Ai2 发布研究检验大模型能否可靠判断科研想法新颖性
Ai2 发布研究 Old Ideas, Novel Problems 及配套基准、数据、代码和自动化评测集构建流程，结论是当前大模型判断科研想法新颖性远非可靠，在 AI 生成想法上尤其脆弱。
推荐理由：同一组研究想法会因提示词措辞微调得到相反结论，原文还给出比专用评估系统更准且更便宜的简单基线供复用。
Browser Use精选AI 评分6262 卡内基梅隆大学与 Browser Use 发布长程网页智能体基准 Odysseys2
卡内基梅隆大学与 Browser Use 合作发布长程网页智能体基准 Odysseys2，包含 100 个真实网页长任务，每项按 8 到 12 条 pass/fail 检查评分。
推荐理由：同一模型在不同 harness 和评分器下成绩差距明显，正文用数据说明读 agent 榜单时要把这些变量一并考虑。
Import AIAI 评分5858 Import AI 478 期：对齐数学形式化、ProgramBench 进展与 Mirendil 单人预训练
Jack Clark 发布 Import AI 第478期，汇集对齐数学形式化、ProgramBench 进展、OpenAI 智能体缓存侧信道通信与单人预训练模型 Mirendil-Base 等内容。
OpenAI · 部署安全与系统卡精选AI 评分6767 OpenAI 发布 GPT-6.1 Terra，系统卡补编披露安全定级与评测结果
OpenAI 发布 GPT-6 系列最新模型 GPT-6.1 Terra，定位高速高效、面向高频专业工作，具备较强的图像分析和 computer use 能力。
推荐理由：系统卡补编逐项给出与历代模型的安全评测对比，读者能看到新模型在智能体越界和心理健康等维度的进步与回退。
Epoch AI · Gradient UpdatesAI 评分5151 Epoch AI 用 11 项真实任务测试六款前沿模型，尚无模型能稳定达标
Epoch AI 让六款领先模型完成 11 项取自自身工作的真实任务，Claude Fable 5.1 与 GPT-6 Astra 并列领先，但没有模型能稳定达到 Epoch 的质量标准，研究团队判断当前模型还无法替代工作者。
SemiAnalysis 长文 RSSAI 评分5959 SemiAnalysis 实测 Trainium3：原生 PyTorch 训练体验与 Neuron Explorer 评测
SemiAnalysis 工程团队实测 Amazon Trainium3 的新一代 PyTorch 训练栈，认为其原生 eager 模式和 torch.compile 支持正在弥补 Trainium 长期不适应研究训练的短板。
SemiAnalysis 长文 RSSAI 评分7070 SemiAnalysis 长文解析华为与 DeepSeek 的共生关系：Ascend 950PR 实测与软件栈深度剖析
SemiAnalysis 发布长文，分析 9 月 30 日 DeepSeek 为 TileLang、DeepGEMM、DeepEP、FlashMLA 等 6 个仓库加入 Ascend 支持背后的华为与 DeepSeek 互补关系。
METR 博客AI 评分7373 METR 发布对 Anthropic 2026 年 8 月风险报告错位风险章节的独立评审
METR 发布对 Anthropic 2026 年 8 月风险报告中高风险场景错位风险章节的独立评审，认同截至 2026 年 7 月 15 日所覆盖模型（含 Mythos 5 和内部模型 Model 2）的灾难性错位风险为低，但认为这主要因模型能力有限，而非防护和对齐训练有效。
Import AIAI 评分5050 Import AI 476：创造力与 RSI、美欧开源模型逊于中国、AI 进军太空
Jack Clark 在 Import AI 第 476 期汇总多个基准与模型动态，并据 TasteVal 结果把完全递归自我改进（RSI）的预期从 2028 提前到 2027，该基准测得前沿模型实验研究品味自 2025 年 12 月起每 3.0 个月翻倍。
Epoch AI · Gradient UpdatesAI 评分6565 AI 能否自动化 AI 研发？Epoch AI 评测显示前沿模型仅达 SDPO 提升的 15%
Epoch AI 在 InnovationEval 评测中让 GPT-5.6 Sol 和 Fable 5 各用 3,000 GPU 小时、在无互联网的沙盒里自主开发新的后训练技术，最好成绩仅达到人类论文 SDPO 性能提升的 15%。
OpenAI · 部署安全与系统卡精选AI 评分8787 OpenAI 向 ChatGPT 全球免费与付费用户发布 GPT-6 Sol 与 GPT-6 Luna
OpenAI 将 GPT-6 Sol 和 GPT-6 Luna 推向 ChatGPT 全球免费与付费用户，替代 GPT-5.6 Sol 和 GPT-5.6 Luna，Codex 与 ChatGPT Work 暂仍使用 9 月版本。
推荐理由：系统卡在报告越狱抵抗与事实性提升之外，也公开了自伤等安全指标相较 GPT-5.6 的回退及缓解措施。
GitHub Blog · AI & MLAI 评分5050 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 AI 代码审查离线基准 ReviewBench 并开放使用，基准基于 103.9M 个真实 pull request 的分布建模，语料为 187 个开源仓库中的 219 个 pull request，覆盖 19 种语言。
Sarvam AIAI 评分5454 Sarvam Vision 2.1 发布，在全球与印度语言文档智能基准上达到 SOTA
Sarvam AI 发布文档智能视觉语言模型 Sarvam Vision 2.1，在 olmOCR-Bench（总体 87.3）与其自建 Indic OCR Bench（总体准确率 87.39）上达到对比系统中的 SOTA，并在 olmOCR 与 OmniDocBench 两个基准的组合上处于 Pareto 前沿。
Ahead of AIAI 评分7474 Sebastian Raschka 解析 GPT-6 Astra 实测表现与 looped transformer 隐藏思维链传闻
Sebastian Raschka 评测上周发布的 GPT-6 Astra，认为它可能是其迄今用过的最强模型，图形渲染与电脑操作能力尤其突出，ARC-AGI-3 达 99.9%（GPT-5.6 Sol 仅 7.8%）。
ARC Prize · 官方博客精选AI 评分7878 OpenAI GPT-6 Astra 在 ARC-AGI-3 上取得 99.9% 并超越人类动作效率
ARC Prize 发布 GPT-6 Astra 在 ARC-AGI-3 Semi-Private 上的评测结果：Standard harness 下得分 62.7%、花费 $26K，Provider Adapter harness 下得分 99.9%、花费 $19K，均为当前最高分。
推荐理由：ARC Prize 亲自实测并公开成本、动作效率与两种 harness 的差异，读者可据此了解 Astra 在 ARC-AGI-3 上的真实表现边界。
Augment Code 博客精选AI 评分6262 Augment Code 重构 Auggie CLI harness，任务成本比 Claude Code 低 53%
Augment Code 从零重构了 Auggie CLI 的 harness，在 SWE-bench Pro 同等通过率下单任务成本 $1.27，比 Claude Code 的 $2.70 低 53%，比旧版 v1 也再降一档。
推荐理由：原文把降本归因于工具面收缩、检索替代探索和主动压缩三个做法，做 Agent 工程的读者可以对照自查自己的 token 成本。
NVIDIA · Deep LearningAI 评分6060 NVIDIA Nemotron 3 Ultra 经 LangChain Deep Agents 调优取得开源模型最高基准成绩
LangChain 为 NVIDIA Nemotron 3 Ultra 调优 Deep Agents 框架，使其在 LangChain 的 Deep Agents 基准上取得开源模型最高准确率，每轮推理成本仅为领先闭源模型的 1/10。
goose 官方博客AI 评分5555 goose 官方介绍 Sentient AGI 用 MiniMax M2.5 在 OfficeQA 上逼近前沿性能的实测结果
goose 官方转发 Sentient AGI 的独立测试，在 Databricks OfficeQA 基准上用 goose 配合开源模型 MiniMax M2.5，结果接近前沿模型性能而成本约为 1/30。
ARC Prize · 官方博客精选AI 评分7171 ARC Prize 用 ARC-AGI-3 分析 GPT-5.5 与 Opus 4.7 的三种推理失败模式
ARC Prize 团队复盘 160 段 GPT-5.5 与 Opus 4.7 在 ARC-AGI-3 上的对局和推理轨迹，归纳出三种失败模式并开源分析包，两者在半私有数据集上得分分别为 0.43% 和 0.18%。
推荐理由：ARC-AGI-3 的逐局推理复盘呈现 GPT-5.5 与 Opus 4.7 失败方式的不同，比总分更能说明两者推理差异。
ARC Prize · 官方博客AI 评分5454 ARC Prize 开源 ARC-AGI-3 人类表现数据集并同步更新计分规则
ARC Prize 基金会开源 ARC-AGI-3 人类表现数据集，基于458名普通参与者、每周在旧金山测试中心线下进行的90分钟受控测试，是 ARC-AGI 系列迄今最详尽的人类测试研究。
ARC Prize · 官方博客精选AI 评分7070 ARC Prize 发布 ARC-AGI-3 交互式基准，ARC Prize 2026 奖金超 200 万美元
ARC Prize 发布 ARC-AGI-3，这是 ARC-AGI 系列首个完全交互式基准，由数百个人类游戏设计师手工打造的回合制环境和数千个游戏式关卡组成，不提供任何说明、规则或目标，要求智能体自主探索玩法并将经验带入越来越难的关卡。
推荐理由：人类得分 100% 而前沿 AI 仅 0.51%，这组对比数字直观呈现了智能体自主探索能力的缺口。
GitHub Org · browser-useAI 评分4040 browser-use 开放浏览器智能体基准 BU Bench V2.1：200 个真实网页任务
browser-use 在 GitHub 开放浏览器智能体基准 BU Bench V2.1，包含 200 个真实网页任务。用户可使用自己的 API key 复跑这套基准。
NVIDIA · Deep LearningAI 评分4343 随着 AI 日益复杂，模型开发者依赖 NVIDIA
OpenAI、Runway 等领先 AI 开发者都在 NVIDIA 全栈 AI 基础设施上训练和部署前沿模型。OpenAI 12 月发布的 GPT-5.2 由 Hopper 与 GB200 NVL72 训练部署，2 月发布的 GPT-5.3 Codex 完全由 GB200 NVL72 训练和服务。
ARC Prize · 官方博客精选AI 评分7272 ARC Prize 2025 结果公布，ARC-AGI-3 将于 2026 年初转向交互推理
ARC Prize 2025 揭晓成绩：NVARC 以 24.03% 夺得 Kaggle 冠军，1,455 支队伍提交 15,154 份方案，90 篇论文参赛且所有获奖方案与论文均开源。
推荐理由：官方复盘给出 ARC-AGI-2 最新成绩与 refinement loop 分析，并预告 ARC-AGI-3 将转向交互推理评测，读者可据此理解推理系统的进展与基准设计的局限。