● 今年高考，我让 12 个顶级 AI 一起考了语文和数学，结果有点意外。

📌 一句话摘要 本文组织 12 个顶级 AI 大模型参加 2026 年高考语文和数学考试，通过 API 统一调用、真人老师盲评，呈现各模型在文科与理科上的表现差异。 📝 详细摘要 作者延续往年传统，在 2026 年高考期间组织 12 个主流大模型（包括 Claude Opus 4.8、GPT-5

● 高考前一天，五个 AI 出了同一道作文题

📌 一句话摘要 本文通过让五个主流 AI 模型模拟命题高考作文题，揭示了 AI 在理解规则与运用规则之间的结构性局限：AI 擅长提取趋势的最大公约数，却无法制造「意料之外，情理之中」的命题意外。 📝 详细摘要 文章以 1985 年高考作文研究组对「求同思维」与「求异思维」的讨论为引，设计了一个实

● 刺破成功率幻象，直面具身智能的「真灵巧」，机器人精细操作评测新范式来了！

📌 一句话摘要 东南大学与北京大学团队提出 MetaFine，一个从理解、感知、行为三维诊断具身智能精细操作能力的元评测框架，旨在刺破传统二元成功率指标下的能力幻象。 📝 详细摘要 本文介绍了由东南大学魏秀参、耿新教授和北京大学彭宇新教授团队提出的 MetaFine 框架，旨在解决现有机器人精细

● 基于顶级 Agent（Claude Code）的 Harness 工程搭建式业务 Agent 评测方案

📌 一句话摘要 本文提出一种创新评测方案：利用顶级 Agent（Claude Code）作为 Harness 工程的搭建者，将评测逻辑从代码转化为 Prompt，实现对业务 Agent 的系统性、快速评测。 📝 详细摘要 文章针对业务 Agent 迭代快但传统评测工程搭建慢的核心矛盾，提出了一种

● 李飞飞再出手，空间智能的 ImageNet 来了

📌 一句话摘要 李飞飞团队发布 ESI-Bench，一个要求智能体通过主动行动完成空间推理的新基准，揭示当前 AI 在「行动策略」和「元认知」上的根本缺陷。 📝 详细摘要 李飞飞团队最新发布的 ESI-Bench 是一个专门评测具身空间智能的新基准。与现有仅测试「被动感知」的基准不同，ESI-B

● Google 在 I/O 2026 发布 Gemini 3.5 Flash，性能全面超越 3.1 Pro

📌 一句话摘要 Google 在 I/O 2026 上发布 Gemini 3.5 Flash，各项评测几乎全面超越前代旗舰 Gemini 3.1 Pro，且速度更快、成本更低。 📝 详细摘要 该推文评论了 Google 在 I/O 2026 大会上发布 Gemini 3.5 Flash 模型的消

● 刚刚，Claude Mythos 打爆 AI 评测天花板！超指数狂飙，2027 奇点加速

📌 一句话摘要 本文报道了 Claude Mythos 模型在 METR 评测中突破 16 小时自主任务能力，导致现有评测框架失效，并探讨了 AI 超指数增长对安全领域和 AGI 奇点预测的深远影响。 📝 详细摘要 文章围绕 Claude Mythos 模型发布引发的行业震动展开。核心事件是国际

● 「生物信息学」评测，Claude 反超人类专家

📌 一句话摘要 Anthropic 发布 BioMysteryBench 生物信息学评测集，Claude 模型在人类可解题上追平专家，在人类难题上以 29.6% 的准确率首次超越人类，并展现出模式识别和多方法收敛等独特解题策略。 📝 详细摘要 本文详细解读了 Anthropic 最新发布的 Bi

● 一代版本一代神？新神是 GPT-2 还是 Uni-1？

📌 一句话摘要 本文深度评测了 Luma AI 的 Uni-1 图像生成模型，通过与 Banana Pro 的对比测试，展示了其在自回归 Transformer 架构下的图文混排、空间逻辑和一致性方面的优势，并探讨了 AI 生图领域从扩散模型向自回归架构转变的趋势。 📝 详细摘要 文章以 GPT

● SWE-bench 满分，0 个 bug 修复：伯克利造了个专门作弊的 AI

📌 一句话摘要 伯克利团队开发了一个自动化漏洞扫描智能体，成功利用 SWE-bench 等 8 个主流 AI 评测基准的系统性漏洞，在不修复任何 bug 的情况下获得满分，揭示了当前 AI 能力评测体系存在的严重信任危机。 📝 详细摘要 文章报道了伯克利 RDI 团队的一项研究，他们创建了一个名

● 短短 3 个月，高德已拿下具身智能领域 15 项世界第一

📌 一句话摘要 高德 Abot-world 系列世界模型在 Agibot World Challenge 与 World Arena 两大国际评测中登顶，并在三个月内累计获得 15 项权威评测第一，标志着其在具身智能核心的世界模型构建能力上取得突破。 📝 详细摘要 文章报道了高德在具身智能领域的

● Agent 记忆赛道大洗牌！LoCoMo-Refined 重磅发布，主流记忆框架迎来核心检验

📌 一句话摘要 本文介绍了由南京大学与上海人工智能实验室联合发布的 Agent 记忆评测新基准 LoCoMo-Refined，该基准通过修正数据集和引入更严格的评判标准，揭示了主流记忆框架在旧基准下得分虚高的问题，并展示了其在严苛标准下的真实性能。 📝 详细摘要 文章详细阐述了南京大学与上海人工

● ARC Prize 开源 ARC-AGI-3 人类基准数据集

📌 一句话摘要 ARC Prize 正式开源了迄今为止最全面的 ARC-AGI-3 人类基准数据集，引入了新的度量标准并改进了评分规则。 📝 详细摘要 这条推文转述了 ARC Prize 组织的一个重要动态：开源 ARC-AGI-3 人类基准数据集。该数据集是 ARC-AGI 系列中迄今为止最全

● GLM-5.1 第一印象视频回顾

📌 一句话摘要 LMSYS Arena 分享了一段 YouTube 视频，由 Peter 带来对新发布的 GLM-5.1 模型的初步体验和深度评测。 📝 详细摘要 这是该推文链的后续内容，提供了一个 YouTube 视频评测链接。视频中，来自 LMSYS 团队的 Peter 分享了他对 GLM-

● 如何定义“人味儿”？——HeartBench 评测体系建设实践

📌 一句话摘要 文章系统复盘 HeartBench 从 0 到 1 的构建过程，提出了一套可迁移的 AI 拟人化评测方法论与人机协作流程。 📝 详细摘要 本文围绕「如何科学定义并评测 AI 的人味儿」展开，给出了 HeartBench 的完整设计与落地路径。内容不仅介绍了数据规模、能力维度、Ru

● OpenAI 为龙虾紧急收购了一家 23 人公司

📌 一句话摘要 OpenAI 宣布收购开源 AI 评测工具 Promptfoo，旨在通过工程化手段解决智能体（Agent）时代日益严峻的安全与合规挑战。 📝 详细摘要 本文报道了 OpenAI 收购初创公司 Promptfoo 的深度背景。Promptfoo 是一家专注于 AI 安全与评测的 2