Anthropic 发布 Claude Haiku 5.5，价格较 Haiku 4.5 平均降约 75%
Anthropic 发布 Claude Haiku 5.5，这是其目前最快、最便宜的小模型，平均价格比 Haiku 4.5 低约 75%，10 万 token 以内提示词最高降价 90%，超过 10 万 token 则贵 5 倍。
推荐理由：Haiku 5.5 的定价与基准数据同时给出，读者可据此判断小模型在智能体与计算机操作任务中的性价比变化。
内容形态
评测基准 最新动态
模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
8 条精选近 30 天 7 条共收录 17 条
更新
评测基准的精选
The Decoder精选AI 评分8282
Hugging Face Blog精选AI 评分6060 Nemotron 微调后在 IOI 2026 与 IMO 2026 双双达到金牌水平
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和生成-验证-精炼推理流程，让模型在 IOI 2026 拿到 535.4/600、在 IMO 2026 拿到 30/42，均超过官方金牌线。
推荐理由：原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方与数据集，可复用到其他高难领域。
GitHub Blog · AI & ML精选AI 评分6262 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含 19 种语言的 219 个公开 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与评分口径，读者可据此理解 AI 代码审查评测的取舍。
Hugging Face Blog精选AI 评分6262 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再根据其留下的后端终态和副作用打分，而非看模型生成的文字。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定任务成败，并给出可复现的 OpenEnv 运行方式。
Latent Space精选AI 评分7878 Google DeepMind 发布 Gemini 4 Argon，支持 100 万 token 输出
Google DeepMind 发布 Gemini 4 Argon，面向编码、企业知识工作与网络防御，首发仅限政府用户和 Fairwind 计划中的可信网络防御者，开发者与企业访问时间未定。
推荐理由：汇总了 Gemini 4 Argon 的基准、定价与可用范围，并列出评测机构与观察者的质疑，便于对照官方口径。
Latent Space精选AI 评分8888 OpenAI DevDay 2026 发布 Dots、GPT-6.1 Sol 与 Decisions API
OpenAI 在 DevDay 2026 上发布 Dots 常驻智能体、GPT-6.1 Sol 模型、Ultrafast 加速模式、Decisions API 与 ChatGPT Spaces，并称 ChatGPT 周活达 12 亿。
推荐理由：汇总 OpenAI DevDay 2026 的发布清单与第三方评测数据，可快速了解智能体产品与模型定价的当期格局。
Hugging Face Blog精选AI 评分7171 NVIDIA 发布表格基础模型 Kumo Tabular，单次前向完成预测
NVIDIA 发布开源表格基础模型 Kumo Tabular，给定带标签的表格行即可在单次前向中预测新行标签，支持分类与回归，无需训练、调参和特征工程。模型提供 28M 到 215M 三种规模，仅用人工合成表格预训练，采用 OpenMDW-1.1 许可可商用，并在 TabArena、BeyondArena、TALENT 和 ScoringBench 四个基准上排名第一。
推荐理由：原文给出模型规模、单次前向预测方式和四个基准排名，可据此判断表格基础模型对现有建模流程的替代空间。
Mistral AI精选AI 评分7171 Mistral 发布 Agentic Search，用多步检索循环提升复杂文档问答准确率
Mistral 发布 Agentic Search，作为检索层让模型在多步循环中查找、检查和验证信息，通过 Mistral Search Toolkit 提供，并内置于 Studio 和 Vibe 的 Libraries。
推荐理由：原文给出多步检索循环的工具设计与两组基准数字，可据此判断传统一次性 RAG 在长文档上的边界。