Google 发布 Gemini 4 Hydrogen，发布四周后在基准上超过更大的 Argon
Google 发布面向开发者和日常用户的通用模型 Gemini 4 Hydrogen，在 Artificial Analysis 智能指数默认 high 档得 51 分、xhigh 档 54 分，高于 Gemini 4 Argon 的 50 分。
评测基准
全部主题模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
最新精选
第 1–20 条 · 共 21 条11月13日
Google 推出 Gemini 4 Hydrogen，正式替换 3.8 Flash
Google 发布 Gemini 4 Hydrogen，并已在自家产品中替换 Gemini 3.8 Flash，访问限制比此前 Argon、Carbon 的发布更宽松，发布即开放。
11月12日
AWS 开源 UAEF：跨框架闭环评测 AI 智能体
AWS 发布开源框架 UAEF，用适配器把 LangGraph、LangChain、Strands Agents、Amazon Bedrock AgentCore 和 Langfuse 的执行轨迹统一为 AgentTrace，再以 7 个维度 36 项内置指标打分。
11月10日
Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2，重夺 LLM 榜首
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2，在 Artificial Analysis Intelligence Index v5 上以 65 分重回第一，超过 Gemini 4 Carbon 的 60 分和 Opus 5.5 的 59 分。
Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2，IPO 前重回性能榜首
Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2，两者共享同一模型底座，区别在访问权限：Fable 面向所有用户并拦截网络安全与生物领域的风险任务，Mythos 移除部分限制、仅向通过 Anthropic 网络安全或生命科学验证计划的组织开放。
11月8日
Vals AI 基准显示开源与闭源模型的网络攻击能力差距持续缩小
Vals AI 的 CyberOffense 基准让 AI 智能体在隔离的 Kali Linux 机器上独立攻击模拟企业网络，OpenAI 受限网络项目 Daybreak 中的 GPT-6 Sol 取得 80.8% 的目标完成率，开源权重模型 Deepseek V4.1 Flash 1017 以 72.8% 紧随其后，单次运行成本约 3 美元而非约 22 美元。
11月7日
九个 AI 智能体挑战美国国家实验室开放研究问题，无一达到专家标准
一项论文基准让 Claude Opus 4.8、Claude Opus 5、Claude Fable 5、Claude Opus 5.5、GPT-5.6 Sol。
11月4日
同一模型换 harness：CUGA、Hermes 与 Deep Agents 在 AppWorld 上的对比
IBM 团队用同一开源权重模型 GLM-5.3-flash 在 AppWorld 的 90 个任务上对比 CUGA、Hermes 和 Deep Agents，任务通过率分别为 81.1%、46.7% 和 30.0%，场景全通过率为 66.7%、26.7% 和 6.7%。
10月29日
Gemini 4 Carbon 登顶多项榜单，首批面向网络安全防御者开放
Google DeepMind 发布 Gemini 4 Carbon，距 Argon 仅两周，在 Artificial Analysis Intelligence Index v5 上以 59 分排名第一，并在 HLE-Diamond、TB-Science、AA-Omniscience 和 AutomationBench 四项评测中领先。
Google DeepMind 发布 Gemini 4 Carbon，距 Argon 仅两周
Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon，该模型在 Artificial Analysis Intelligence Index v5.0 上以 59 分登顶，前代 Argon 为 50 分。
10月15日
GPT-6-Astra 在 TheoPhysEval 物理基准中解出 50 题中的 49 题，每题成本约 2.40 美元
一项新基准测试让多个商用 AI 智能体在无人类提示下求解理论物理研究问题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 解出 50 题中的 49 题（98%），平均每题成本不到 3 美元，整套基准约 116 美元。
10月8日
Anthropic 发布 Claude Haiku 5.5，定价对齐 GPT-6 Luna
Anthropic 发布快速低价模型 Claude Haiku 5.5，定价为每百万 token 输入 0.10 美元、输出 0.50 美元，与 OpenAI 上月发布的 GPT-6 Luna 相同，但超过 100,000 token 后涨至 0.50/2.50 美元。
10月1日
Google 发布 Gemini 4 Argon，缩小与 OpenAI、Anthropic 的差距但未取得明显领先
Google 发布新前沿模型 Gemini 4 Argon，在部分基准上超过 OpenAI 和 Anthropic 的竞品，但未取得明显领先。该模型先面向 Fairwind 计划的“可信网络防御者”和 Google 内部团队开放，之后才向开发者、企业和消费者推出，尚未公布日期；介绍性价格为每百万输入 token 2 美元、输出 token 10 美元，缓存输入便宜 95%。
9月29日
Anthropic 发布 Claude Sonnet 5.5
Anthropic 发布新 Sonnet 模型 Claude Sonnet 5.5，官方称其运行速度快 30% 以上、多数工作成本最多降低 30%，定价与 Sonnet 5 相同但在各项基准上均优于 Sonnet 5。
9月23日
Anthropic 发布 Claude Opus 5.5，OpenAI 发布 GPT-6 Sol 与 GPT-6 Luna
Anthropic 发布 Claude Opus 5.5，约一小时后 OpenAI 发布 GPT-6 Sol 和 GPT-6 Luna，GPT-6 Sol 与 Luna 的价格均为对应 GPT-5.6 型号的一半。
8月28日
Open ASR Leaderboard 新增首个全球南方语言评测集 Monsoon
Voice Arena 与 Hugging Face 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两套评测集，印地语成为该多语言榜单上的首个印度语言。
8月27日
Google DeepMind 试点全球首个双盲 AI 评测
Google DeepMind 宣布推出全球首个针对专有前沿级 AI 模型的双盲评测，将外部评测限制在密码学隔离环境中，避免模型提前接触测试题。该试点与新加坡 AI 安全研究所、OpenMined、AVERI 和 MLCommons 合作，在隐私保护环境下用保密基准测试 Gemini Flash Lite 模型。
8月21日
Hugging Face 研究：语音识别基准优化现象如何测量
Hugging Face 发布研究，提出共识分歧探针、掩蔽实体检索和拼写切换三项测试来量化语音识别中的基准优化现象。研究评测 11 个开源 ASR 模型，发现部分高分模型会复现 VoxPopuli 和 LibriSpeech 参考转写中的错误，即使音频与之矛盾、相关词被静音或两种写法在音频中同样成立。
8月4日
微软研究院开源 Orchard 智能体框架，Orchard-SWE 在 SWE-bench Verified 达 69.7%
微软研究院发布开源框架 Orchard，核心是 Kubernetes 环境服务 Orchard Env，可跨任务复用环境、数据管线与评测流程，并支持在 Codex、OpenClaw、ZeroClaw 等真实部署框架内直接训练智能体。
7月15日
Hume 发布 Real World VoiceEQ：衡量语音 AI 的人类质量
Hume 发布 Real World VoiceEQ 语音评测基准，覆盖 40 多个专有与开源语音模型、15 个以上评测维度和 60 多项指标，涵盖 ASR、TTS、S2S 与语音理解。