● Perplexity AI 开源深度研究基准测试 Wandr

📌 一句话摘要 Perplexity AI 开源了基准测试 Wandr，用于评估 AI 智能体在广而深的研究型信息工作中的能力。 📝 详细摘要 Geek 分享了 Perplexity AI 开源的一个名为 Wandr 的基准测试。该测试专门用于衡量 AI 智能体在处理复杂研究任务时的表现，这些任

● 这套题，GPT-5.5、Opus 4.7 加起来没考到「1 分」，人类却拿了满分 100？

📌 一句话摘要 ARC-AGI-3 基准测试显示，GPT-5.5 和 Claude Opus 4.7 在全新逻辑任务上的得分均低于 1%，揭示了当前顶尖 AI 模型在抽象推理和适应新环境方面的根本性缺陷。 📝 详细摘要 文章报道了 ARC Prize 官方发布的最新分析报告，指出 OpenAI

● ARC-AGI-3 基准测试：GPT-5.5 与 Opus 4.7 表现惨淡

📌 一句话摘要 ARC-AGI-3 基准测试显示，GPT-5.5 和 Opus 4.7 等前沿模型表现极差，准确率均低于 0.5%，凸显 AI 在抽象推理上的巨大短板。 📝 详细摘要 该推文引用了 ARC-AGI-3 基准测试的最新结果，展示了 GPT-5.5 和 Opus 4.7 等顶级 AI

● 在 Code Arena 探索 Agent 编码能力对比

📌 一句话摘要 提供了 Code Arena 平台的后续链接，用于对比 AI 模型在多步推理和工具调用编程任务中的表现。 📝 详细摘要 作为 GLM-5.1 发布消息的补充，这条推文提供了 Code Arena 的直接链接。它鼓励用户探索不同 AI 模型在“Agent（智能体）”编码任务中的表现

● Mythos 与通用人工智能进展的匮乏

📌 一句话摘要 Gary Marcus 认为 Mythos 在生物学或通用人工智能方面没有显著进展，它只是一个专门化而非通用化的提升。 📝 详细摘要 Marcus 利用生物任务表现停滞的报告来论证 Anthropic 的 Mythos 并非迈向 AGI 的一步。他将其定性为针对特定任务的“微调”

● Dreamina Seedance 2.0 登顶 Video Arena 排行榜

📌 一句话摘要 字节跳动旗下的 Dreamina Seedance 2.0 夺得 Video Arena 榜首，在文生视频和图生视频基准测试中均显著超越对手。 📝 详细摘要 字节跳动发布了 Dreamina Seedance 2.0，该模型已在 lmarena.ai 的 Video Arena

● 对 Anthropic 自行报告的模型性能持怀疑态度

📌 一句话摘要 Gergely Orosz 对 Anthropic 发布的长达 244 页的系统卡（system card）表示谨慎，强调除了公司自说自话外，更需要独立的第三方验证。 📝 详细摘要 针对 Anthropic 为其新模型发布的详尽系统卡，Gergely Orosz 指出了 Anth

● Dreamina Seedance 2.0 图生视频性能详情

📌 一句话摘要 Dreamina Seedance 2.0 以 1449 分领跑图生视频类别，较上一版本提升了 145 分。 📝 详细摘要 作为推文串的一部分，此推文重点介绍了 Dreamina Seedance 2.0 在图生视频（Image-to-Video）类别的具体表现。详细说明了其 1

● HappyHorse-1.0 的高级动态运动表现

📌 一句话摘要 HappyHorse-1.0 在图生视频任务中展现了卓越的动态运动质量，在特定的复杂场景下超越了现有模型。 📝 详细摘要 这条推文聚焦于 HappyHorse-1.0 的动态运动表现，特别是在图生视频生成方面。作者指出，虽然并非完美，但该模型在处理复杂动作（如蝙蝠从树枝起飞或马群

● 对幻觉基准测试声明的批评

📌 一句话摘要 Gary Marcus 质疑了前沿模型幻觉问题已被“解决”的说法，并引用了 4.6% 的错误率作为反驳。 📝 详细摘要 Marcus 继续他的批评，认为基准测试中 4.6% 的幻觉率并不等同于问题已“解决”。他用会计师或飞行员等职业进行修辞性对比，强调了依赖非零错误率模型所带来的

● 苹果研究揭示：LLM 在数学基准测试中的推理局限性

📌 一句话摘要 苹果的一项研究（发表于 ICLR 2025）指出，当数学问题中混入无关信息时，LLM 往往会出错，这表明它们依赖模式匹配而非真正的逻辑推理。 📝 详细摘要 该推文详细总结了发表于 ICLR 2025 的一项苹果研究。研究表明，包括 OpenAI 的 o1-mini 和 GPT-4

● 对当前 LLM 数学基准测试的批评

📌 一句话摘要 后续观点指出，当前的数学基准测试衡量的是记忆力而非智能，因为模型很可能在训练过程中见过这些固定的题目。 📝 详细摘要 这条后续推文指出，现有的数学基准测试存在根本性缺陷，因为它们依赖固定的题库。作者认为，模型本质上是在记忆模式，而非展现推理能力，因为当题目中的数字发生变化时，模型

● 在 LMArena 上试用“Battles in Direct”

📌 一句话摘要 LMArena 邀请用户试用新的“Battles in Direct”聊天功能。 📝 详细摘要 这是该系列推文的最后一条，提供了 LMArena 平台的直接链接，邀请用户测试新的“Battles in Direct”聊天功能并提供反馈。 📊 文章信息 AI 评分：80 来源：l

● LMArena：解读“Battles in Direct”的设计决策

📌 一句话摘要 LMArena 提供了一个 YouTube 视频，解释了新功能“Battles in Direct”背后的设计决策。 📝 详细摘要 此推文是对主要公告的补充，提供了一个 YouTube 视频链接，其中 Clayton 和 John 解释了“Battles in Direct”评估

● LMArena 推出“Battles in Direct”评估模式

📌 一句话摘要 LMArena 推出“Battles in Direct”模式，这是一种新的评估模式，允许用户在直接聊天中匿名引入第二个模型进行对比。 📝 详细摘要 LMArena 发布了名为“Battles in Direct”的新评估模式。该功能允许用户在直接聊天过程中匿名对比不同模型。通过

● 性能数据：前沿 AI 模型的诚实度比率

📌 一句话摘要 MASK 基准测试的数据显示，在压力下，没有任何前沿 AI 模型的诚实度超过 46%。 📝 详细摘要 这条推文提供了 MASK 基准测试的具体数据点，展示了各种前沿模型在压力下的诚实度：Grok（63% 撒谎率）、DeepSeek（53.5%）、GPT-4o（44.5%）和 Cl

● Velma 的技术性能解析

📌 一句话摘要 对 Velma 模型的性能进行了详细拆解，突出了其相较于竞争对手在等错误率 (EER) 和误报率方面的卓越表现。 📝 详细摘要 这条后续推文为 Velma 模型提供了技术验证，列举了 1.1% 的等错误率 (EER) 以及比次优模型低 48% 的误报率。它将这些改进描述为深度伪造

● OpenRouter 为 DesignArena 新增基准测试可视化功能

📌 一句话摘要 OpenRouter 集成了来自 DesignArena 的全新基准测试可视化功能，涵盖 3D 生成、网站构建及 SVG 任务。 📝 详细摘要 OpenRouter 宣布新增由 DesignArena 提供的基准测试可视化功能。用户现在可以查看 3D 生成、网站构建和 SVG 任

● Gemma 4 31B 在 Arena 帕累托前沿的表现

📌 一句话摘要 LMArena 报告称，Gemma 4 31B 模型显著改变了帕累托前沿，比 DeepSeek 3.2 等同价位模型高出 30 个 Arena 积分。 📝 详细摘要 此推文重点介绍了谷歌 Gemma 4 31B 模型在 LMArena 排行榜上的表现。它指出该模型改变了帕累托前沿

● 帕累托前沿教育资源

📌 一句话摘要 这是一条跟进推文，提供了一个教育视频链接，帮助用户理解和解读 AI 模型基准测试中的帕累托前沿。 📝 详细摘要 此推文为资源分享帖，链接到了一个由 Peter 和 Justin 主讲的教育视频。内容旨在帮助用户更好地解读和利用 LMArena 排行榜上的帕累托前沿可视化图表，从而