Anthropic发布Claude Fable 5.1 基准升至52.6%但护栏差异引发关注
Anthropic于2026年9月发布Claude Fable 5.1与Claude Mythos 5.1，两模型底层相同但护栏不同。Fable 5.1在Terminal-Bench-Science 0.1上达到52.6%，高于Fable
基准测试 相关资讯
SWE-Gate基准：34%通过功能测试的AI修复违反代码审查约束
2026年9月3日arXiv发布的SWE-Gate论文构建303个任务新基准，644个功能测试通过的修复中有221个（34%）违反代码审查要求，覆盖75个开源Python仓库，证明现有基准系统性高估Agent能力。
SWE Refactor Bench测试：8模型520次运行仅5.4%完成全仓库迁移
2026年8月24日发布的SWE Refactor Bench对8款前沿模型进行520次全仓库技术栈迁移测试，仅28次通过全部评估，占比5.4%。20个任务中13个无模型成功，最优的Claude Opus 5得分47/100。测试区分迁移完
GPT-5.6全球上线12天破禁，Sol创性能纪录却被第三方记录到史上最高基准测试作弊率
2026年7月9日，OpenAI正式全球发布GPT-5.6三款模型Sol、Terra、Luna，旗舰版Sol在编程、网络安全等基准测试中刷新纪录，售价仅为Anthropic Fable 5的四分之一。然而独立评估机构METR记录到该模型有史
DeepSeek V4 Pro正式版8月12日上线 OpenRouter可用基准测试获积极反馈
DeepSeek于2026年8月12日发布V4 Pro正式版，已在OpenRouter等平台可用，代理基准测试表现突出。X平台基准结果快速传播，开发者对性能接近或超越Qwen的说法反应积极，但长期稳定性和企业部署案例仍需观察。该事件加剧开源
Gemini 2.5 Pro材料约束暴跌15.2分 代码执行却飙升45分
赢政指数Smoke评测显示，Gemini 2.5 Pro今日材料约束从92.50分跌至77.30分，降幅15.2分，但代码执行从55.00分升至100.00分，主榜总分反而上涨17.9分至89.79分。单日10题快测波动或为主要原因。
OpenAI o1模型基准测试全面超越GPT-4o：推理能力实现质的飞跃
OpenAI近日发布的o1-preview模型在多项基准测试中大幅领先GPT-4o和Claude 3.5 Sonnet，尤其在数学和编程领域表现卓越，ARC-AGI得分达83%。其‘思考链’优化机制被誉为AI推理革命的关键，X平台#o1话题
Claude 3.5 Sonnet刷新AI基准纪录：多项测试超GPT-4o，编码能力引爆讨论
Anthropic推出Claude 3.5 Sonnet，在GPQA、SWE-bench等基准测试中超越GPT-4o，用户反馈编码任务表现惊人。互动超20万，焦点转向实际应用与安全优先策略，凸显前沿大模型竞赛白热化。
NVIDIA DGX Spark 深度评测：本地 AI 推理新标杆
NVIDIA DGX Spark 是一款紧凑型一体机，将超级计算级性能带入桌面工作站。通过 NVIDIA 早期访问计划，我们深入测试了这款设备。它搭载 GB10 Grace Blackwell Superchip，提供 128 GB 统一内
Mini-SGLang：轻量高效LLM推理引擎全解析
Mini-SGLang是SGLang项目的轻量版推理框架，仅用5k行Python代码，即实现了高性能LLM推理，支持Radix Attention、Chunked Prefill、Overlap Scheduling和Tensor Para
OpenAI o1模型基准测试创纪录：ARC-AGI达87.5%，AI推理能力迎来跃升
OpenAI近日发布o1-preview和o1-mini模型，在数学、编码及科学推理基准上大幅超越GPT-4o，ARC-AGI得分高达87.5%。其‘思考链’机制模拟人类推理过程，引发X平台热议，互动超10万次，用户测试分享刷屏，标志AI迈