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。
24 条精选近 30 天 6 条共收录 51 条
Google DeepMind 发布 Gemini 3 Deep Think 重大升级，专注科学、研究与工程领域的高难度推理任务。新版在 Humanity's Last Exam 达 48.4%（无工具）、ARC-AGI-2 达 84.6%、Codeforces 达 3455 Elo、CMT-Benchmark 达 50.5%，并在数学、物理和化学奥林匹克书面部分达到金牌水平。
推荐理由：原文给出了多个权威基准测试的明确分数和 API 开放入口，读者可以据此评估 Gemini 3 Deep Think 的实际能力水平。
Google DeepMind 联合 Kaggle 发布 FACTS 基准测试套件，包含参数基准、搜索基准、多模态基准和更新的 Grounding v2 四个子基准，共 3513 个样例。
推荐理由：Gemini 3 Pro 在搜索和参数基准上较 2.5 Pro 错误率大幅下降，但多模态基准仍是短板，读者可据此判断当前模型在事实性任务上的真实差距。
Google DeepMind 发布 WeatherNext 2，预测速度提升 8 倍，分辨率达 1 小时级别。该模型基于 Functional Generative Network 架构，可从单点输入生成数百种天气情景，在 99.9% 的变量和预测时长上超越前代模型。
推荐理由：WeatherNext 2 在精度和效率上显著提升，已在多个 Google 产品中落地，开发者可通过多个平台获取数据和定制推理能力。
Google DeepMind 在 Nature 发表论文，分析了视觉 AI 模型与人类在组织视觉世界知识上的系统性差异，并提出一种三步对齐方法：先用 SigLIP-SO400M 加小 adapter 生成百万量级的 AligNet 数据集，再用于微调其他模型。
推荐理由：论文给出了完整的三步对齐方法（SigLIP-SO400M → AligNet → student）和在认知任务及标准 AI 任务上的量化提升，读者可提取一个可迁移的多步骤对齐范式。