标签「基准测试」

Google 发布 Gemini 4 Argon，旨在成为机器人控制、仿真生成与数据评估的单一模型。该模型在空间推理基准测试中表现领先，但在实际物理控制任务中仍高度依赖复杂的人工提示工程，揭示了其当前能力边界与完全自主性之间的差距。

阿里巴巴将领投阿里前员工创办的 AI 训练与基准测试公司 UniPat AI 的 3 亿美元融资，腾讯及红杉中国跟投，本轮估值 25 亿美元。

OpenAI 在 GPT-6 Astra 公告发布当天多次修改评测数据，涉及幻觉率、数学与网络安全等关键指标，部分竞品成绩同步波动。OpenAI 称修改是为确保准确性，但斯坦福研究人员指出行业仍存在“Benchmaxxing”与评测透明度问题。

蚂蚁集团开源全模态大模型Ming-Flash-Omni 2.0，在基准测试中表现优异，部分指标超越谷歌Gemini 2.5 Pro。该模型实现全场景音频统一生成，推理效率高，为开发者提供可复用技术底座。

Meta内部备忘录显示，代号'Avocado'的AI模型已完成预训练，在内部测试中表现超越当前领先模型。然而，其真实性能需外部验证，具体发布计划尚未公布。

微软Copilot已向网页、Windows及移动端用户免费升级GPT 5.2模型, 作为'智能+'模式并行运行。该模型强化复杂任务处理能力, 在多项测试中表现超越人类专家, 显著提升办公效率。

OpenAI发布了基于GPT-5.2架构的GPT-5.2-Codex模型，针对代码生成任务深度优化，显著提升长序列任务处理能力和Windows环境效率。该模型在基准测试中刷新纪录，网络安全能力实现连续跃升，并实施了多层次安全措施和渐进式部署策略。

OpenAI发布新一代图像模型GPT Image 1.5，在基准测试中领先但用户反馈两极分化。新模型技术提升显著且成本降低20%，但在中文文本和图像真实度方面存在不足。

谷歌发布Gemini 3人工智能模型，官方称其为迄今最智能模型和世界最佳多模态理解系统，首日即整合至核心产品。该模型在多项基准测试中刷新纪录，并推出Antigravity开发平台重构人机协作范式。

JetBrains正式推出Developer Productivity AI Arena（DPAI Arena），作为首个面向AI编码智能体的开放式基准测试平台，解决行业基准测试的核心缺陷。该平台支持多样化工程场景，并将移交Linux基金会管理，推动行业统一评估框架。