微軟新基準讓AI Agent跑20次，穩定不到一半
微軟與Hugging Face的新基準ThinkingBox讓18個模型各跑20次同一任務，評分依據是資料庫的實際結果，而不是AI Agent自己回報的完成訊息。
大模型評測 資訊與深度分析
收錄 大模型評測 相關產品動態與產業觀察，共 9 篇文章。
OpenAI承認Astra思維鏈更難監測
OpenAI在Astra部署安全文件中坦言，思維鏈可監測性較GPT-5.6 Sol明顯下滑，英國AI安全研究院的評測也給出了具體數字。
OpenAI改Astra評測數據幻覺率回4.2%
OpenAI發布GPT-6 Astra部落格文章後，頁面裡的評測數據被多次修改，幻覺率一度從4.2%降到2%又改回4.2%，對手模型的分數也遭調整。
Fable5.1智慧指數登頂 單任務3.69美元
Fable 5.1在192個模型中拿下智慧指數第一（66分），但單一任務評測成本從3.14美元漲到3.69美元。
柏克萊Vero基準：43個專案僅27個全解
柏克萊RDI實驗室推出Vero基準，要求AI代理人在整個Lean 4儲存庫規模上同時寫實作、寫證明。就算是表現最好的模型，43個專案裡也只有27個被完整解出。
音檔裡沒有的數字，語音模型照樣念出來
Hume AI 對 11 款主流語音辨識模型的診斷實驗發現，公開榜單分數愈高的模型，愈可能是在複誦資料集本身寫錯的參考文字，而非真的聽得更準。
阿里用海關編碼測出 Agent 短板
阿里用海關編碼測出 Agent 短板以繁體中文科技新聞語氣重寫，保留關鍵數字、產品邊界與後續觀察點。
OpenAI LifeSciBench 暴露 AI 科研差距
750 題基準測試顯示，前沿模型已能輔助生命科學，但距離獨立承擔研究仍很遠。
SWE-Explore 顯示 coding agent 常漏掉關鍵行
上海交通大學牽頭的新基準指出，agent 常能找到正確文件，但真正與 bug 相關的行命中率只有約 14% 到 19%。