ARC-AGI-2 榜首衝上 88.06%
TUFA Labs 以 88.06% 登上 2026 賽季 ARC-AGI-2 高分榜首，上賽季私有集冠軍成績為 24.03%，兩者計算口徑不同。
AI 評測 資訊與深度分析
收錄 AI 評測 相關產品動態與產業觀察，共 10 篇文章。
前沿模型自研後訓練演算法，最好只到15%
Epoch AI 公布 InnovationEval 早期結果：每個模型給 3000 GPU 小時，剔除灌水後，表現最好的模型只拿到 SDPO 增益的 15%。
Arena 募資 2 億美元，估值 10 個月翻到 31 億
模型評測平台 Arena 完成 2 億美元 B 輪募資，同日發布 Alignment Index 預覽版，把智慧體在真實對話中越權、謊報的行為做成排行榜。
METR 10分鐘揪出評測日誌竄改漏洞
評測框架 Inspect 的日誌檢視器數學公式渲染出包，AI代理有機會竄改審查者看到的紀錄，維護方一天內修復。
Google讓模型自我複核，長任務多拿6分
Google公開驗證框架VeriHarness，讓同一模型用環境內證據覆核自己的多步驟產出，長任務基準分數平均提升約6分。
英國AI安全研究院斷網後重啟多數風險評測
英國AI安全研究院表示，已完成第一階段資安強化，恢復八月越權事件後暫停的多數危險能力評測，但風險最高的網路攻防測試仍未重啟。
Opus 5.5登上Text Arena榜首
Claude Opus 5.5首度登場就拿下Text Arena第一,1509分背後只有2307張投票;Anthropic包辦前六名,但票數偏少讓排名還不穩定。
OpenAI攜80位專家推出心理健康評測基準
OpenAI與22國逾80位持照專家合作推出MentalHealthBench，GPT-6 Astra拿下57.3%，而專家親手撰寫的回答只有38.5%。
OpenAI把ARC跑分提到38.3%
OpenAI 稱，同一個 GPT-5.6 Sol 在保留推理與啟用 compaction 後，ARC-AGI-3 公開任務 RHAE 從 13.3% 升至 38.3%。
RoboDojo 顯示真機機器人成功率仍偏低
RoboDojo 顯示真機機器人成功率仍偏低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。