KIND / 内容类型
基准与评测
榜单、评测、基准分数（共 20 条待翻页浏览；完整分类见首页「今天发生了什么」） · 查看全部类型
-
小鹏联合北大、港大等发布 GroundingPI 预训练模型，感知模块综合跑分超过 GPT-6 Astra
来源摘要 IT之家 11 月 4 日消息，小鹏集团联合北京大学、香港大学等高校研究团队联合发布具身感知基座模型的研究成果 GroundingPI。官方表示，该研究提出“感知优先”的技术路线，以约 40 亿参数规模，在 34 项公开感知基准的综合评测中位列第一，并在机器人仿真任务中展现出更高的数据处理效率与更强的场景泛化能力。▲ GroundingPI 在多个场景和能力上展现…
-
OpenAI 发布 LifeVal 基准：从选幼儿园到报税，测试 AI 的“人间烟火”技能
来源摘要 IT之家 11 月 3 日消息，OpenAI 于 11 月 2 日发布名为 LifeVal 的新基准，用来衡量 AI 模型能否真正帮助普通人完成日常事务，该公司称这一评估旨在让通用 AI 更贴近“对人类最有用的日常帮助”。
-
Artificial Analysis Intelligence Index v5 基准上线，DeepSeek V4.1 Flash 1017 为 FrontierCode 2.0 开源模型最高成绩
来源摘要 IT之家 10 月 29 日消息，Artificial Analysis 昨日发布了 Intelligence Index v5，这是该机构自 2026 年 1 月 v4 上线以来幅度最大的一次基准重构。最直接的变化是，60% 的评测权重首次建立在私有测试集或隐藏答案之上，用于压缩公开题库被模型训练数据“污染”的空间，减少了各厂商为了跑分而跑分的“注水”测试项目。该指数仍由九项评测构成，包括知识工作、编码、科学、…
-
谷歌更新 Android Bench 榜单：自家 Gemini 4 Argon 编程能力大幅落后于 Claude 与 GPT
来源摘要 IT之家 10 月 28 日消息，谷歌更新了用于评估 AI 模型安卓编程辅助能力的 Android Bench 榜单，Gemini 4 Argon 的成绩大幅落后于最新版 Claude 与 GPT 系列模型。Android Bench 于今年年初推出，方便安卓开发者快速对照谷歌的这套测试标准，挑选最适合安卓代码开发辅助的 AI 模型。测试会考量安卓开发特有的使用场景以及安卓开发的最佳实践。谷歌在持续开展测试、纳入新模型排名的同时，还把平均调用成本纳入基准指标，方便…
-
MOD 社区立功：英特尔 Arc XMX 内核非官方移植 AMD FSR 4.1.2
来源摘要 IT之家 10 月 24 日消息，科技媒体 Wccftech 昨日（10 月 23 日）发布博文，报道称 OptiScaler MOD 社区已将 AMD 最新的 FSR 4.1.2 神经网络超分辨率模型移植至 Intel Arc 显卡，并借助 Arc 的 XMX 矩阵加速核心实现硬件加速。本次非官方移植针对 Intel XMX 硬件，重点优化 FSR 4 INT8 DLL。相比依赖通用着色器运行，XMX 加速能显著降低超分耗时，让 AMD 的 AI 超分技术在 Intel 平台上更接近原生体验。社区基准测试显示，在 Intel Arc A770 上以 1…
-
蚂蚁数科发布决策模型 LingDT-Decision-1.0，将 Token 消耗降低超 90%
来源摘要 IT之家 10 月 22 日消息，蚂蚁数科今日发布决策模型 LingDT-Decision-1.0。该模型专为快速产业决策打造，在处理结构化决策任务时，具备准确率更高、响应更快、Token 成本更低等优势。据介绍，相比于其他决策模型，LingDT-Decision-1.0 首创支持原生多选与按序决策能力，更适配企业真实应用场景。在 23 项开源评测基准中，Lin…
-
国产最强 DeepSeek V4.1 Flash-1017 登顶 Agent Arena 开源榜，总榜第 11
来源摘要 IT之家 10 月 20 日消息，AI 竞技场 Arena 今日宣布，深度求索最新发布的 DeepSeek-V4.1-Flash-1017 登顶 Agent Arena 以及 Code Arena: WebDev 开源模型榜单，总榜排名第 11。
-
大晓机器人发布具身基模型 ACE-Brain-0.6，六项空间感知评测超越 OpenAI GPT-6 Astra
来源摘要 IT之家 10 月 19 日消息，大晓机器人发布视觉空间锚定增强型具身基模型 ACE-Brain-0.6，该模型基于 Qwen3.5-9B 进行监督微调，重点提升目标识别、空间定位及交互区域判断能力。据大晓披露，该模型使用约百万条空间锚定训练样本，在八项 Grounding 评测中有六项成绩超过 OpenAI GPT-6 Astra。其中，七项公开基准平均得分为 74.53 分，高于后者的 7…
-
223 道题、2651 条标准：阿里 Qwen 开源 BlenderWorld，给 AI 出了一套 3D 建模大考
来源摘要 IT之家 10 月 17 日消息，阿里 Qwen 团队于 10 月 14 日开源 BlenderWorld，这是一个用于评测视觉智能体在 Blender 中完成真实 3D 创作任务的基准。项目采用 MIT 许可证，代码与数据集已同步发布至 GitHub、Hugging Face 和 ModelScope。与常见的“生成一张图”不同，BlenderWorld 要求 AI 交付一个可编辑的 .blend 工程文件，并按需输出渲染图、视频或模型导出文件。在该测试中，模型不能只给出好看的画面，还要构建出材质、几何结构、灯光、相机等可被设计师继续修改的 3D 场景…
-
SpaceXAI 发布 Grok Voice 3.0：号称全球最智能的语音模型，延迟低于 1 秒
来源摘要 IT之家 10 月 15 日消息，SpaceXAI 今日发布了 Grok Voice 3.0，官方称这是全球智能水平最高的语音转语音模型。该模型在客服电话处理任务上创下新纪录，拥有业界领先的低于 1 秒延迟，运行成本也低于其他前沿模型。Grok Voice 每天在特斯拉和 SpaceX 支撑数百万次对话，现已通过应用程序接口上线，定价与上一代产品保持一致。在 Artificial Analysis 的独立测试中，Grok Voice 3.0 在语音转语音综合榜单中排名第一，得分 86.9。该榜单综合评估语音推理能力、τ-Voice 指标，以及盲测通话对比…
-
微软在 Qwen 模型基础上推出决策模型 Microsoft-Decision-1
来源摘要 微软加入了 Jev 粉丝俱乐部，推出了自己的决策模型。Jev 针对特定问题对大模型进行调优，减少“幻觉”，适用于各种商业应用场景。微软在阿里巴巴的开放权重模型 Qwen3.5-9B 基础上推出了 Microsoft-Decision-1。软件巨人表示未来会用自研模型及 OpenAI 的模型取代 Qwen 模型。微软称，其模型在延迟测试中速度分别是 H2O-Lightning-4B 的 2.5 倍和 Jev 的 2.8 倍；在 36 项基准测试中准确率（83.5%）位居榜首；置信度得分（92.2%）排名第二（仅次于 Quyet-1.0-Large）；在文本…
-
跻身全球第一梯队：华为 × 华东师大联合研发时序预测基础模型，登顶国际权威时序测评双榜单
来源摘要 IT之家 10 月 11 日消息，据华为云官方消息，近日，华为公司 (华为云行业大模型团队 + 2012 应用场景创新实验室 + 小巧灵突击队) 与华东师范大学联合团队研发的昇腾原生时序预训练模型取得重磅突破，成功登顶国际权威时序评测榜单 TIME-leaderboard 和 GIFT-Eval（Pretrained 类目）。▲ TIME 评测榜单
-
66.1 分登顶：Odyssey-3 基础世界模型登场，AI 开始理解真实世界
来源摘要 IT之家 10 月 9 日消息，Odyssey 昨日（10 月 8 日）发布博文，宣布推出 Odyssey-3 系列基础世界模型，其 Odyssey-3 Pro 在 Physics-IQ Verified 视频到视频基准测试中取得 66.1 分，创该榜单最高纪录。IT之家注：基础世界模型（Foundation World Model）是指从大量视觉观测中学习物理、动态与因果关系的通用 AI 模型。它可预测物体如何移动、交互及情境如何随时间演变，并用于模拟环境或训练机器人、车辆等系统的控制策略。
-
AI 短剧爆火：制作成本仅为真人剧 1/10，平均每 36 秒诞生 1 部
来源摘要 IT之家 10 月 7 日消息，#看完AI短剧只想说真人短剧完了#今天（10 月 7 日）冲上微博热搜，数据显示 2026 年 AI 短剧凭借十分之一的成本与视觉奇观霸占各大平台榜单，导致真人短剧开机量暴跌超七成，大量中腰部演员面临无戏可拍的失业危机。IT之家发稿前，#看完AI短剧只想说真人短剧完了#位居微博热搜榜第二，热度值为 1,501,003。
-
Cloudflare 推出基于 Qwen 的开源多模态决策模型 Clef
来源摘要 IT之家 10 月 2 日消息，当地时间 10 月 1 日，Cloudflare 推出基于 Qwen 的开源多模态决策模型 Clef（谱号），包含 Clef 与 Clef-flash 两款模型。在 Jev 决策指数（Jev Decision Index）的基准评测中（Decision Index 0.2.1），Clef 处于领先地位；这两款模型完全兼容 Jev-API，方便开发者进行测试验证。
-
CNNIC 称中国生成式 AI 用户超 7 亿
来源摘要 中国互联网络信息中心（CNNIC）发布了《生成式人工智能应用发展报告（2026）》，截至 2026 年上半年，我国生成式人工智能用户规模突破 7亿 人，普及率超 50%。76.0%的 用户表示自己会让生成式人工智能回答问题；使用生成式人工智能处理图片/视频、文本、工作总结/会议纪要/PPT的用户占比分别为 47.8%、37.6% 和 32.5%。数据显示，38.7%的网民近半年在网上购买过智能硬件设备。其中可穿戴设备和3C数码产品是我国网民接触智能硬件设备的首要入口。购买过智能可穿戴设备的网民比例为 20.2%；购买智能手机、平板电脑等3C数码产品的网民…
-
OpenAI Dot 虚拟机配置曝光：AMD 霄龙 9V74 处理器 + 9.73GB 内存，Geekbench 7 多核 9435 分
来源摘要 IT之家 9 月 30 日消息，OpenAI 今日凌晨在 DevDay 活动上发布了 Dot 智能体，而每个 Dot 运行在独立的云端虚拟机中。Dot 虚拟机现已出现在 Geekbench 基准测试平台中，显示其搭载了 AMD EPYC 9V74 服务器处理器，每个 Dot 虚拟机实例分配 9 个核心，单核得分 1667，多核得分 9435。另外，该实例配备 9.73GB 内存和 32GB 存储空间。
-
让 AI 学会“挑刺”：根据说明书 + 照片指出家具是否装错，OpenAI GPT-6 Astra 准确率已达 80%
来源摘要 IT之家 9 月 26 日消息，Epoch AI 于当地时间 9 月 23 日进行了一组家具组装基准测试（Furniture Assembly Benchmark，FAB）。结果显示，多模态 AI 在识别宜家家具组装错误方面取得明显进展。其中，OpenAI 最新的 GPT-6 Astra 在该基准测试中达到 80% 的准确率，相比 2025 年底提升近三倍。
-
OpenAI 发布 MentalHealthBench：1215 段对话评估 AI 心理健康应对能力
来源摘要 IT之家 9 月 24 日消息，OpenAI 今日推出了 MentalHealthBench，这是一个开放式基准测试，包含 1215 段合成心理健康对话，用于评估 AI 系统在真实场景下的应对能力，覆盖从日常心理健康话题到紧急心理健康事件等不同情况。据IT之家了解，该基准由来自 22 个国家和地区的 80 多名持证心理学家和精神科医生共同参与制定。这些专家共使用 19 种语言，覆盖近 20 个心理…
-
拿下 2 亿日活跃用户后，消息称字节跳动豆包收缩对话团队
来源摘要 IT之家 9 月 22 日消息，《晚点 LatePost》今天（22 日）晚间发布消息称，豆包通用 Session 团队正在减员，规模预计减半。该团队此前约有 50 人，一度是豆包内规模最大的团队，主要负责豆包的对话（Chat）产品能力，包括策略、评测等工作。此次调整后，部分人员将转岗至豆包商业化、飞书等团队，其余人员将被裁撤。消息称豆包负责人赵祺推动了此次人员调整。他在字节已有十余年履历，此前负责增长中台、穿山甲（字节旗下广告平台），之后转岗至集团人力资源部门，为字节 AI 业务搭建人才体系。2025 年 9 月，赵祺转岗至豆包，后于今年 7 月飞书、…