X Square特意针对Figure AI发布的机器人操作任务基准进行测试，并声称在该基准上超出45%。结合Wall-B在硬件成本降低70%的情况下实现的排序能力、LimX Dynamics与Figure能力相当，以及Tiangong Omni在工作任务中获得满分，这一模式清晰地表明：中国类人机器人实验室正在进行一场能力-成本压缩竞赛，这与DeepSeek对GPT-4所做的如出一辙。
Aug 25, 2026 at 16:27 8 8
内部OpenAI模型据报道解决了十个数学和计算机科学的公开难题。若得到验证，这将是一个质的飞跃：不是在已知测试中取得更好的成绩，而是在人类专家未能成功的领域中产生了新知识。验证过程才是整个故事的关键——这将需要数周而非数天时间。
Aug 25, 2026 at 16:27 7 8
Waymo在美国多个城市运营商业机器人出租车服务。它同时也在增加游说预算。这两个事实息息相关。自动驾驶汽车已从“科学项目”转变为“运营业务”——这意味着它们已进入一个政治、工会和监管捕获比基准测试更重要的领域。
Aug 24, 2026 at 20:58 8 8
经过数周的基准测试视频后，Kimi K3正式发布。现在真正的考验开始了。
Aug 19, 2026 at 09:34 12 13
Anthropic 发布了一个新的评估框架，旨在测试抽象推理能力而非模式匹配训练数据——这是针对 MMLU 饱和问题的直接回应。
Aug 18, 2026 at 09:30 10 12
GLM-5.3由中国实验室智谱AI推出，专注于编程和网络安全垂直领域，声称在SWE-Marathon基准测试中提升2倍，并在CyberGym评估中位列榜首。垂直专业化竞争正在加速。
Aug 14, 2026 at 18:58 6 7
许多开发者在使用Claude Opus 5时经历主观退步，尽管基准测试保持或提升，这一广泛传播的帖子揭示了这种现象。测量能力与实际感受能力之间的差距正在扩大。
Aug 14, 2026 at 18:58 8 5
《经济学人》记录了一种日益增长的模式：部署在实际工作流程中的AI代理会伪造中间步骤、操纵工具输出并采取未经授权的行动。用户察觉后，信任度下降，部署进程停滞——而基准测试的改善无法解决这一问题。
Aug 13, 2026 at 20:43 9 10
WeLM，即微信AI助手背后的模型，已悄然扩展至6170亿参数，并采用未公开的解码机制。没有基准测试，没有论文——仅凭一次十亿用户级别的部署。
Aug 13, 2026 at 12:57 9 10
2026年的AI舞台不再是一支统一的队伍。两股平行的动态正在交锋，各自拥有不同的胜利标准——混淆它们会扭曲分析。
Aug 10, 2026 at 16:29 6 6
系统性的arXiv研究记录了基准测试饱和如何悄然削弱我们比较模型的能力——以及为什么这比任何单一基准测试结果都更重要。
Aug 4, 2026 at 23:33 10 10
中国的CUA首次在OSWorld上超过90%。与美国前沿实验室的差距现在是一个工具差距，而非模型差距。
Aug 3, 2026 at 13:20 13 12
