⌘ K
… 读取采集状态 同步中...
雷

#评测/基准

今日 1 条
9月16日周三
9月15日周二
  1. 机器之心53

    RSIAgent 论文发布：开源模型通过自主探索新环境在多项高难度基准超越 GPT-6 Astra

    Aether AI 团队发布 RSIAgent 论文，提出一种让 Agent 在新环境中自主探索并实现递归自我提升的因果智能框架。在不更新模型参数的情况下，该框架使 Kimi-K3 和 GLM-5.3 等开源模型的 Agent 能力在 OSWorld 2.0 和 Agents’ Last Exam 基准测试中大幅领先 GPT-6 Astra 等前沿闭源模型。

9月14日周一
  2. AI科技评论60

    实测 Seedance 2.5 与可灵 3.0 在技术科普与剧情改写中的差异

    AI科技评论实测 Seedance 2.5 与可灵 VIDEO 3.0，对比其在 15 秒技术科普和剧情改写中的表现。Seedance 2.5 画面包装和角色稳定性更强，涉及肖像与版权素材时会直接拦截生成；可灵 VIDEO 3.0 更按分镜执行，能续写完整剧情段落，但存在文字误写和素材授权风险。文章指出 AI 视频模型差距正从画质转向工作流。

  3. 硅星人Pro73

    实测豆包手机助手：跨App操作与本地记忆系统实现个人化AI交互

    豆包手机助手消费者版正式发布，主打基于硬件AI键的跨App自动化操作与本地记忆系统。实测显示，该助手可调用底层工具完成飞书会议邀请、相册视频剪辑等复杂任务，整体可用率提升至80%。其创新的SAEP协议允许第三方应用自主选择是否接受屏幕自动化操作，并通过分层记忆系统实现基于个人历史数据与偏好深度定制的AI交互。

9月13日周日
  1. 新智元65

    GPT-6 Astra在Vending-Bench 2测试中以1.5万美元账户余额超越Claude Fable 5.1

    Andon Labs公布的Vending-Bench 2评测结果显示，GPT-6 Astra在模拟一年自动售货机经营测试中平均最终账户余额达15,515美元，约为Claude Fable 5.1（5,422美元）的3倍。

    推荐理由：该评测揭示了大模型在长期 Agent 任务中价格控制与规则遵循能力的显著差异，Astra 稳定保持低采购价并规避供应商倒闭风险，验证了模型在长周期复杂决策下的执行一致性。

9月12日周六
  1. 机器之心21

    淘天自研编码器 S266/S26X 在 MSU 世界视频编码器大赛获 6 项冠军

    淘天音视频团队自研的 S266 和 S26X 编码器在第 19 届 MSU 世界视频编码器大赛中斩获 6 项世界冠军及 1 项季军。其中 S266 覆盖 H.266/VVC 标准，在 VMAF 指标全速度段夺冠；S26X 在 1 FPS 档位包揽 SSIM、PSNR 及主观评价三项第一。S266 在同等画质下可将带宽成本降低 30% 以上，支撑淘宝核心业务日均上亿 PV 播放。

9月11日周五
9月10日周四
  1. 光子星球72

    实测小云雀短剧 Agent：ScriptBird 剧本生成与出海转绘能力拆解

    小云雀 8月19日 首发剧本模型 ScriptBird，将创作流程拆为故事设定、分集大纲和剧本正文，支持最高 10万字 100集 剧本生成与红果、抖音热点参考。实测「一句话创意→剧本→成片」链路中，角色与场景自动建档及口型表现自然，但仆人角色在分镜衔接处出现形象不一致；出海转绘可基于现有视频拆解并重新生成素材，但主角面孔仍保留亚洲特征，且未修复原片角色穿帮镜头。

9月9日周三
  2. 夕小瑶科技说68

    DeepSeek V4.1 Flash实测：原生多模态显著进步，但多Agent机制推高Token消耗

    作者对DeepSeek V4.1 Flash进行深度实测，累计消耗约3亿Token完成14组任务。结果显示，V4.1在原生多模态视觉理解和视觉推理上表现优异，速度约为旧版V4 Flash的3倍。但V4.1在复杂任务中更倾向于开启多Agent协作，导致最终交付耗时增加，且总花费比旧版高出约36%。此外，模型在长上下文写作中仍出现前后逻辑不一致的问题。

9月8日周二
  2. 硅星人Pro61

    Today 公测评测：齐俊元打造最主动的 Personal AI

    齐俊元创办的 Today 开启公测，它通过连接软件和设备构建围绕用户的“任务世界”，利用 Memory 驱动 Proactive 实现主动提醒和持续执行。评测指出 Today 具备独立应用价值，其 Memory 体系通过主动遗忘和更新解决记忆混乱问题，使 Agent 能在任务暂停后识别状态变化并主动推进；Proactive 功能不仅推送个性化早晚报，还能基于用户偏好精准判断行动时机。

9月7日周一
9月5日周六
  1. 硅星人Pro72

    你画我猜 Benchmark：GPT-6 险胜 Gemini 与 Claude，8 款模型互测 SVG 理解能力

    该团队设计了一个让模型画 SVG 再互相猜词的多模态评测基准，首期测试 8 款模型共 1350 张画作。GPT-6 Astra 以 75.5 分险胜 Gemini 3.8 Flash 和 Claude Fable 5.1，但前三名置信区间重叠。测试结果发现，模型思考 token 数量和调用费用并未与得分稳定正相关，且模型在反常识与抽象词汇理解上表现普遍较弱。

  2. CVer43

    东南大学与小红书提出Impostor：通过CraftAgent构建高真实度AIGC篡改基准

    东南大学与小红书团队提出AIGC局部篡改基准Impostor，包含10万张由7个图像编辑模型生成的高真实度图像，覆盖多类操作。该方法同时提出PANet模型，利用局部相位与语义-取证一致性线索，在Impostor上取得SOTA表现。实验显示PANet跨域检测准确率达92.68%，较基线提升1.43个百分点。

9月4日周五
9月3日周四
9月2日周三
9月1日周二
8月31日周一
  1. 行者AI视频53

    Lovart 新版实测：田园 VLog、天宫视频与茶饮品牌视觉全案

    行者使用 Lovart 新版完成 5 个实测项目，验证了其 100 多个专业 Skill 在从单图生成到视频、封面及品牌全案交付中的串联能力。实测显示，用户可利用 Skill 调用 Midjourney、Seedance 等模型，通过图生视频分镜设计生成 5 秒运镜视频，并一键将 Logo 等品牌图形转换为可编辑的 SVG 格式。

8月29日周六
8月28日周五
  2. Hugging Face Blog45

    Open ASR Leaderboard 新增首个全球南方语言：印地语评测集

    Hugging Face 与 Voice Arena 合作在 Open ASR Leaderboard 引入印地语和印度英语评测集 Monsoon en-IN 与 Monsoon hi-IN。这是该榜单首个非欧洲语言，包含 4,888 名说话人，分为公开和私有分割以限制基准优化。评测集覆盖了 9 个变化维度，并记录 12 项说话人属性，旨在解决 ASR 误差率分布不均的问题。

  3. 深度学习与NLP88

    神秘模型 Ox Alpha 实力引热议，谷歌暗示被网友调侃

    8月21日，支持1M上下文的多模态模型 Ox Alpha 在 OpenRouter 和 OpenCode 免费开放，其 DeepSWE 准确率达 63%，表现接近 Grok 4.6。尽管谷歌高管暗示可能与 Gemini 有关，但全网多在调侃；技术极客通过分词器和视频测试推测其可能为智谱 GLM 系。实测显示，Ox Alpha 能生成交互式 3D 模型、像素游戏及交通监控系统。

    推荐理由：实测给出了SWE-bench等场景下的具体性能表现与多模态能力细节，便于评估该匿名模型的实际可用性。

8月27日周四
  1. 光子星球80

    GLM-5.3-Flash实测：多模态前端开发提效明显，复杂3D场景仍存瓶颈

    智谱GLM-5.3-Flash正式上线并开源，该模型总参数量为320B，每次推理激活18B，定价为GLM-5.3的1/10，按每百万token计输入0.075美元，输出0.25美元。

    推荐理由：原文用六项真实开发工作流实测验证了GLM-5.3-Flash的边界，前端开发与多模态看图编程表现突出，但复杂3D场景仍存瓶颈。

  2. 卡尔的AI沃茨74

    实测智谱GLM-5.3-Flash：14项benchmark对打DeepSeek-V4赢11项

    作者实测智谱GLM-5.3-Flash，其在Artificial Analysis斩杀线图上位于$0.045 / 57分的前沿线，与DeepSeek-V4对打14项benchmark赢11项，视觉端六项全赢最大差距约40%。实测中模型凭一句话提示复刻了截图、视频和GitHub页面，还生成了可交互3D界面与浏览器3D FPS游戏，作者计划将日常coding和agent任务分流给它以省成本。

  3. AI产品黄叔77

    GLM-5.3-Flash 实测：多模态能力与国产算力成本分析

    GLM-5.3-Flash 在 OpenRouter 和 OpenCode 榜单登顶后，作者通过 16 分钟视频转 33 页图文手册和黑洞动效开发两个任务进行实测。模型展现了原生多模态视觉提取与代码修复能力，价格约为 Claude Opus 4.8 的 1/40，且线上流量全部承载在国产芯片上，体现了稀疏激活混合专家架构与软硬协同设计的成本优势。

    推荐理由：作者用真实视频处理与动效开发任务实测 GLM-5.3-Flash，提供了多模态编码场景下的实际产出效果和成本分析。

8月25日周二
8月24日周一
  2. 行者AI视频66

    Seedance 2.0 fast 视频模型量产能力实测评测

    Seedance 2.0 fast 降价至6毛/秒后，实测显示其在量产场景下表现最均衡。同档模型包括MiniMax H3和Wan 3.0，测试基于720P分辨率与相同提示词。Seedance 2.0 fast在短漫剧、电商视频和广告素材生成中，于速度、成本与画面稳定性上表现最佳，一次至两次生成即可出片。

  3. AGI Hunt68

    豆包工作任务模式深度评测：从分析宇树招股书到办公 Agent 实践

    作者使用豆包最新推出的「工作任务模式」深度处理宇树科技招股书，生成包含核心摘要和风险提示的文档与 PPT，并验证了调用 Skill 输出成果的能力。通过让豆包在云电脑执行 X 站舆情定时采集和本地接力操作，验证了云端与本地按场景切换的可行性，同时展示了创建财报分析 Skill 和监控打新机会的自动化流程。

  4. 钛媒体AGI40

    2026 WRC 具身智能场景 Demo 差距显著，物流与家庭任务成检验核心

    在 2026 WRC 上，同类具身智能场景 Demo 因打磨程度不同呈现断层差距，物流分拣与家庭任务成为核心检验区。星动纪元实现 1200 件/小时分拣节拍，自变量机器人将节拍推至 1800 件/小时，且在物流落地运营上领先。千寻智能、墨奇智能在家庭长程任务规划与泛化能力上表现亮眼，而部分头部公司 Demo 仍卡顿且成功率低。

8月23日周日
  1. 光子星球63

    实测 MiniMax Design：视频生成 Agent 能落地，但语义编辑翻车

    MiniMax 推出 AI 视频工作台 MiniMax Design，底层基于刚开源的 H3 多模态视频模型。作者按官方手册测试发现，该工具在生成 15 秒竖屏电商广告和批量生成不同人设的 KOC 视频方面效果可用，且 Skill 调用与项目级记忆均已跑通。核心问题在于官方主打的语义级视频编辑功能，指令能被正确理解，但在修改背景或色调时主体画面会变形。