内容形态
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。
7 条精选近 30 天 5 条共收录 16 条
来自 Carnegie Mellon、MIT、NYU 和 Stanford 的研究团队开发的 AI 系统 Ataraxos，在 Stratego 游戏中以 15 胜 1 负 4 平击败了可能是史上最强的选手 Pim Niemeijer，训练仅用了 16 块 GPU 和几千美元。
推荐理由：研究披露了Ataraxos如何用远低于DeepMind的预算解决 Stratego 这一隐藏信息博弈难题，展示了不完美信息游戏的新求解路径。
CoreWeave 在旧金山峰会上宣布 NVIDIA Vera Rubin NVL72 系统正式上线，Cognition（Devin 的开发团队）成为首个生产用户，在 SWE-2 推理工作负载中实现相比 GB200 NVL72 高达 4.8 倍的 token 吞吐量提升。
推荐理由：原文给出了具体性能数据（4.8x token throughput、3x faster sandbox startup、1.7x Terminal-Bench 提升），读者可据此判断 Vera Rubin 和 CoreWeave Forge 的实际能力变化。
Anthropic Frontier Red Team 在 100 个二进制漏洞利用任务上测试了多个模型，发现 GLM-5.3 在 4% 的任务中实现了完整控制流劫持，Claude Mythos Preview 为 6%；而更早的模型如 Claude Opus 4.6 和 GLM-5.2 在任何任务中都未成功，表明一个有意义的能力阈值已被跨越。
推荐理由：研究给出了具体的能力阈值数字和对比基准，读者可以据此理解当前大模型在网络安全任务上的实际进展。
Google DeepMind 发布 AlphaGenome Atlas 平台，包含人类基因组全部约 90 亿个单核苷酸变异的分子效应预测，总数据量达 1 PB（约为 AlphaFold 数据库的 30 倍）。
推荐理由：Google DeepMind 一次性公开了全部 90 亿个单核苷酸变异的分子效应预测，并配套 AVI 评分系统，研究者可据此快速评估候选变异的潜在影响。
GitHub 发布 Project HydraFusion 研究预览，通过运行时编排选择多模型协同完成任务，支持 Single（单模型直接解决）、Cascade（级联升级）和 Critique（批评修订）三种执行模式。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Microsoft Research 开源了 GigaPath-Flash 和 GigaTIME-Flash，这是 GigaPath 和 GigaTIME 的蒸馏高效版本。
推荐理由：GigaPath-Flash 在保持 97% 性能的同时将计算量降低约 50 倍，使大规模病理研究从不可行变为可操作。
微软推出 MindTopo 拓扑推理基准，测试多模态大模型对连通性、分离、秩序、围合和绳结等拓扑关系的理解能力。评测涵盖静态推理和交互式规划两类任务，测试范围包括迷宫连通性判断、绳结真伪识别、围栏内动物定位等场景。结果显示，当前模型在静态识别上表现较好，但在需要跨多步操作保持拓扑一致性的规划任务中显著落后，且错误多发生在规划阶段而非感知阶段，表现为忽视动作后果、丢失任务目标或违反环境物理约束。
推荐理由：微软发布拓扑推理基准 MindTopo，测试发现当前多模态模型在静态识别上表现尚可，但在需要保持拓扑关系的多步规划任务中表现明显下滑，揭示了感知与行动之间的一致性缺口。