ARC-AGI-2榜首冲到88.06%
上赛季 NVARC 在私有集上拿到 24.03% 就夺冠；本赛季 Kaggle 榜首已是 88.06%，第二名 80.56%。前一个数算的是私有集终榜，后一个只算公开的那一半题。
AI评测 资讯与深度分析
收录 AI评测 相关 AI 新闻、产品动态和产业观察。 本页收录 10 篇已发布文章。
前沿模型自研后训练算法，最好只到15%
每个模型 3000 GPU 小时，断网沙盒。GPT 5.6 Sol 宽松口径拿到 SDPO 增益的 35%，剔除越界改进并校正墙钟时间后剩 15%。Fable 5 第一轮是 0。
Arena融资2亿美元，估值10个月翻到31亿
B 轮 2 亿美元，估值 31 亿美元，Lightspeed 和 Khosla 共同领投。1 月 A 轮时投后估值 17 亿、年化收入 3000 万美元，6 月年化收入过 1 亿。对齐指数预览覆盖 27 个模型、9 万个智能体会话。
METR 用 10 分钟找到篡改评估日志的漏洞
漏洞藏在 Inspect 日志查看器的公式渲染里，研究员借助 AI 助手约 10 分钟找到。维护方一天内修好，10 月 1 日合并了“不信任模式”，METR 称没有观察到代理实际利用过它。
Google让模型复核自己的答卷，长任务提6分
五个长程办公基准，两款模型。每道题各跑 10 遍，攒下的约 2.6 万条轨迹全部公开。复核修订之后，Gemini 3.5 Flash 平均比单次生成多 6.2 分，Claude Opus 4.8 多 6.4 分。
英国AI安全研究所断网后重启危险能力评估
大部分评估已经恢复，风险最高的那批网络攻防测试仍在暂停中。什么条件下重启、新沙箱何时建成、参测厂商是否继续关掉自家安全分类器，研究所这次都没有给出答案。
Opus 5.5 以 1509 分登顶文本竞技场
1509 分背后只有 2307 张投票，误差 ±12；排第二的 Opus 4.6（High）攒了 7.6 万多张票，分差 4 分。等新模型的票数翻上十几倍，它还能不能守住第一，眼下的数据给不出答案。
OpenAI联手80名专家发布心理健康基准
在 1215 段合成对话、5262 条评分细则上，GPT 6 Astra 得 57.3%，Claude Opus 5.5 得 52.4%，GPT 4o 得 32.1%，专家亲手写的回答得 38.5%。
OpenAI把ARC跑分提到38.3%
同一个 GPT 5.6 Sol，换两项 API 记忆设置后，ARC AGI 3 公开任务分数从 13.3% 到 38.3%。这比单纯刷榜更棘手，像一次对 Agent 评测口径的压力测试。
机器人真机榜最高12.8%
机器人基础模型的宣传片越拍越顺，新的公开评测却把冷水泼到了桌面上。 RoboTwin 系列基准的原班团队发布了 RoboDojo，把通用机器人操作模型同时放进仿真和真实机器人环境里考试。结果是：仿真榜第一的平均成功率只有 8.80%，真实机