AI基準測試

GitHub 的開放式 ReviewBench 基準測試旨在提供更清楚的 AI 程式碼審查代理測試方式，為開發者與買家提供共同的評估起點。

AWS 的基準資料顯示，當團隊衡量品質、回合數與重工成本時，Amazon Bedrock 上的 OpenAI 模型可降低正確答案的成本。

據報導，StartLux 的 27B 本地模型在中國基準測試中的得分高於 DeepSeek V4 Flash，引發外界對邊緣 AI 性能與證據性的疑問。

Aikido Security 表示，為了比較網路 AI 模型已花費 117 億個 token，這引發了對基準設計、成本，以及對買家的證據的疑問。

Insilico Medicine 推出 DDD Benchmark as a Service，用來測試前沿 AI 與基礎模型在真實世界藥物發現與開發任務上的表現。

Moonshot 的 Kimi K3 在 Code Arena: Frontend 奪得第一，但在 FrontierMath Tier 4 上落後於頂尖的 OpenAI 與 Anthropic 模型，凸顯模型能力不均衡。

據報導，五家 AI 實驗室正支持一套通用的越獄評分標準，並以 8 月 1 日作為更廣泛安全標準協議的早期目標，這是朝向更可比較的 AI 模型安全測試邁出的一步。

OpenAI 發布 GeneBench-Pro，一項基因體學基準，旨在衡量更高層次的科學推理能力，因為 AI 實驗室正加速進入生物學工作流程。

熱門的免費 AI 模型排行榜新創公司 Arena 於去年 9 月推出商業服務，如今已成長為一個 1 億美元規模的企業。

CAISI 的評估顯示，DeepSeek V4 Pro 是中國最強的模型，但仍落後於美國領先的前沿 AI 系統。

一項嚴格的新基準測試了頂尖AI模型在投資銀行任務上的表現；沒有任何輸出被認定為可直接交付客戶，不過有一半的銀行家認為它可作為起點。

一項新的基準測試顯示，即使是頂尖的 AI 模型，在分析複雜圖表時準確率也會下降約 50%，暴露出視覺推理中的一項關鍵限制。

Google 的強化版 Gemini 3 Deep Think 模型在最新的基準測試中展現出優於 OpenAI 的 GPT-5.2 與 Anthropic 的 Claude Opus 4.6 的表現。

Claude Opus 4.6 在 Terminal-Bench 上取得 65.4%、在 OSWorld 上取得 72.7% 的突破性表現，在真實工作應用中超越了 Gemini 3 Flash。