1
短短 10 个月几乎翻倍，AI 模型评测平台 Arena 估值升至 31 亿美元
IT之家 10 月 9 日消息，当地时间 8 日，AI 模型评测平台 Arena 竞技场宣布完成 2 亿美元 （IT之家注：现汇率约合 13.43 亿元人民币） B 轮融资， 估值达到 31 亿美元 （现汇率约合 208.17 亿元人民币） 。Arena 最初是加州大学伯克利分校 2023 年的一项…
2
可塑的白昼：ColorOS17 深度评测
时间倾斜，触碰我，发出清澈的金属般的声响。我的感官在战栗，我觉我能——我能抓住这可塑的白昼。——里尔克《时辰祈祷》AppleEvent'26上，主动智能赋能的SiriAI终于正式发布。Craig一句「 ... 查看全文
3
蚂蚁百灵开源 Ming-Image-0.1-Design 系列模型，UI 设计专项评测位列开源第一
IT之家 9 月 23 日消息，今日，蚂蚁百灵大模型正式开源 Ming-Image-0.1-Design 系列，包含两个参数量均为 6B 的模型：Ming-Image-0.1-Design，从文字需求生成 UI、信息图、海报和完整视觉设计；Ming-Image-0.1-Design-Layer，将创…
4
Vals AI 使用《我的世界》评测 Open GPT‑6 Astra 模型：显示 AI 遇重大变故可能陷入行为僵局
IT之家 9 月 21 日消息，AI 评测机构 Vals AI 利用游戏《我的世界（Minecraft）》对 OpenAI 最新大模型 GPT‑6 Astra 开展长时自主游戏测试，全程在 Twitch 直播，总测试时长达到 141 小时。 Vals AI 的这项测试并非由 OpenAI 官方设计，…
5
MiniMax Code CLI 正式开源，在评测中取得 76.7% 的任务通过率
IT之家 9 月 18 日消息，MiniMax 今晚宣布， MiniMax Code CLI 的 v0.4.12 版本面向全球开发者正式开放，并且以 MIT 协议正式开放源代码 。 据介绍，MiniMax Code CLI 是 MiniMax Code 客户端的核心组件。在基于 FrontierHa…
6
清华稳准智能联合发布LimiX-2，结构化数据基础模型登顶国际评测榜单
9月16日，稳准智能联合清华大学发布新一代数据大模型 LimiX-2，模型参数规模提升至400M。
7
豆包手机助手通过泰尔实验室首批端云协同机密计算能力评测
IT之家 9 月 14 日消息，据泰尔终端实验室，近日，中国信息通信研究院（以下简称“中国信通院”）依据《端云协同机密计算技术规范》开展专项能力测评工作。本次测评围绕端云机密计算环境构建、透明日志审计机制、业务应用信息隔离防护、安全密钥管理体系等核心技术维度，对北京春田知韵科技有限公司旗下产品“豆包…
8
V社 Steam Frame VR 头显评测视频意外曝光，完整展示实际使用体验
IT之家 9 月 13 日消息，此前已有传闻称，V社即将推出的 Steam Frame VR 头显已经进入评测阶段。如今，一段完整评测视频疑似在媒体保密协议（NDA）解除前意外上线，短暂曝光了这款头显的大量细节。 此次泄露的评测视频来自 Linus Media Group 旗下的 YouTube 频…
9
支持前实习生创业项目：消息称阿里拟领投 AI 评测公司 UniPat 的 3 亿美元融资
IT之家 9 月 10 日消息，据彭博社今天（10 日）上午报道，阿里巴巴集团拟领投 AI 训练与基准测试初创公司 UniPat AI 的一轮 3 亿美元 （IT之家注：现汇率约合 20.18 亿元人民币） 融资，本轮估值达 25 亿美元 （现汇率约合 168.14 亿元人民币） 。这笔投资也是阿里…
10
刷新全球开源模型多项评测 SOTA，宇树科技开源全新一代通用人形机器人基座模型 UnifoLM-WLA-1.0
IT之家 9 月 10 日消息，宇树科技宣布完全开源 UnifoLM-WLA-1.0 具身基座模型，刷新全球开源模型多项评测 SOTA。单模型统筹桌面与全身移动操作，支持跨任务、跨末端执行器泛化。 据介绍，UnifoLM-WLA-1.0 是宇树科技全新一代通用人形机器人基础模型，依托大规模通用多模态…
11
《Agent 评测白皮书》系列01：Agent 评测全览
我们推出了《Agent评测白皮书》系列博客，体系化地为大家讲解评测的落地指南，分为《评测全览》、《冷启动篇》、《扩量篇》、《自进化篇》等共4篇，本文为系列的第一篇。
12
Nothing 海外重启社区共创计划，幸运粉丝可在产品正式上市前先行评测体验
IT之家 9 月 8 日消息，继 Nothing 联合创始人兼首席执行官裴宇称“要找回品牌初心” 后，目前 Nothing 公司宣布重启社区共创计划，邀请部分用户在产品正式发布前提前体验 Nothing 软硬件产品。 根据 Nothing 官方公告，被选中的社区成员将获得新品提前体验资格，并可直接与…
13
小米表格结构化数据大模型 TabLDM 发布开源：四大基准评测第一梯队，回归能力登顶 OpenML-CTR23
IT之家 9 月 5 日消息，小米今日正式发布通用表格数据基础大模型 Xiaomi-TabLDM。 据介绍，该模型以单一预训练模型、统一默认配置直接适配不同表格数据集，无需针对每个任务重新训练、调参或后置集成，即可完成分类与回归预测。 长期以来，金融、医疗、制造、物流等领域大量核心数据以表格形式存在…
14
最值得买的顶级公路车？TREK 八代 Madone 评测
它没有卷到极致的轻量化，也没有最极端的气动数据，但综合实力稳稳站在顶级公路车的第一梯队。 查看全文
15
STONIC: A Layered Measurement Contract for LLM Value Profiling
打破问卷、选择与生成文本混为一谈的评测假设，为LLM价值测量提供分层契约验证。
arXiv:2608.23411v1 Announce Type: new Abstract: LLM value studies often merge questionnaire ratings, pairwise choices, and values inferred from genera…
16
Vibe Coding on Trial: Operating Characteristics of Unanimous LLM Juries
当单个大模型评代码不够可信，让多个LLM组成「陪审团」一致表决会怎样？实验数据揭示真相
arXiv:2602.18492v2 Announce Type: replace-cross Abstract: Large Language Models (LLMs) are now good enough at coding that developers can describe inte…
17
Redteaming Leading Arabic LLMs with ASAS
聚焦阿拉伯语大模型红队攻防，用 ASAS 基准系统测出主流模型的隐患与脆弱点，安全评测领域值得一读。
arXiv:2608.21985v1 Announce Type: new Abstract: As the adoption of large language models (LLMs) grows in Arabic-speaking regions, ensuring their safet…
18
19
When Trust Meets Truth: Trust-Truth Separability in LLM-as-Judge
大模型当裁判时，信任评分与事实判断真能独立吗？这项研究用受控QA测试揭开了两者的纠缠关系
arXiv:2608.21097v1 Announce Type: new Abstract: LLM-as-Judge systems can produce multi-dimensional evaluations, such as trustworthiness, reliability, …
20
It Passed Every Test. That's Why It Can't Ship Yet.
29道测试全过，但真正的错误藏在测试之外。作者拆解LLM评测中的假阳性与出题者失误，揭示为何“全过”反而不能上线。
My order-reading LLM passed the 29-question exam. Zero fatal errors. The model is chosen . So — ship it? No. And the reason is the most important thin…