1
GPT-5.6-sol入榜DRACO：OpenSquilla集成方案仍在Brave组质量、成本双领先
DRACO评测揭晓：OpenSquilla多模型集成方案成本更低、质量更高，GPT-5.6-sol新入榜。
2
The smartest model lost — and it just redrew the 2026 AI race
最新模型对决爆冷门，重新定义2026年AI竞赛格局，产品战略与模型实力深度碰撞。
The most interesting model comparison of 2026 isn't a benchmark table. It's a product exec quietly changing the question everyone asks about models — …
3
Separating signal from noise in coding evaluations
OpenAI揭秘热门编码基准测试的缺陷，重新审视AI模型评估的可靠性
A new analysis from OpenAI reveals issues in SWE-Bench Pro, a popular coding benchmark, raising concerns about reliability and accuracy in evaluating …
4
AI 战略和运营指数报告：Claude Fable 5 比 DeepSeek V4 Pro 高 12 分，每任务成本超 100 倍
Claude Fable 5 综合评分领先 DeepSeek V4 Pro 12分，但单任务成本是后者的百倍以上，引发效率与成本的深度博弈。
IT之家 7 月 9 日消息，科技媒体 The Decoder 昨日（7 月 8 日）发布博文，报道称 Artificial Analysis 新增 6 个行业指数测试， Anthropic 的 Claude Fable 5 模型横扫榜单，全部位列第 1 名。 Artificial Analysis…
5
DGX Spark Local LLM Benchmark: Administrative Tasks
13款本地LLM跑分对比，Qwen3.6在行政任务中表现最优，唯一通过PDF转日历测试。
Article URL: https://www.aai-labs.com/en/research/local-llm-benchmark-administrative-tasks Comments URL: https://news.ycombinator.com/item?id=48809994…
6
腾讯发布并开源混元 Hy3 模型，宣称效果比肩国内外更大尺寸旗舰模型
腾讯开源混元 Hy3 模型，效果比肩 2-5 倍参数的大模型，前端、数据存储等场景表现突出
IT之家 7 月 6 日消息，腾讯混元官方今日宣布，继 4 月底发布 Hy3 preview 后，通过反馈修复了各种体验问题，进一步提升了后训练的质量和规模。 今日正式发布并开源 Hy3 模型 。 据介绍，Hy3 基于 preview 版本进一步提升了后训练数据的质量和多样性，扩大了 RL 算力规模…
7
I Tried Proton’s Privacy-First AI Chatbot to See If It’s Better Than ChatGPT
隐私优先的AI助手Lumo 2.0来了，能否挑战ChatGPT？实测对比告诉你答案
Proton's AI assistant now has image generation and deep-thinking capabilities.
8
Prompting GPT-5 on Scrum Certification Questions: An Empirical Accuracy Study
GPT-5挑战Scrum认证考试，实证准确率研究新发现
arXiv:2607.00049v1 Announce Type: cross Abstract: Large Language Models (LLMs) are increasingly used in Agile Software Development for documentation, …
9
Arena 公布 AI 模型评测榜变现成果，商业评测服务 AI Evaluations 年度经常性收入突破 1 亿美元
AI模型评测平台Arena推出企业级服务仅8个月，年度经常性收入破1亿美元，商业模型获初步验证。
IT之家 6 月 30 日消息，AI 模型评测平台 Arena 宣布，其企业级模型评测服务 AI Evaluations 上线仅 8 个月，年度经常性收入（Annualized Run-Rate Revenue，即“每年通过客户订阅合同产生的可预测、重复性收入”）已突破 1 亿美元（IT之家注：现汇…
10
11
ModelFit – find the cheapest LLM that can back up your main coding model
根据你的代码库自动匹配最便宜、最适配的LLM，告别盲目跟风跑分。
Article URL: https://github.com/kwadwoadu/modelfit Comments URL: https://news.ycombinator.com/item?id=48662127 Points: 2 # Comments: 1
12
Tail-Shape Estimation in LLM Evaluation Is Fragile: A Protocol for Diagnosing False Positives
揭示LLM评估中尾部分布估计的脆弱性，并提出诊断假阳性的新协议，对模型评测有重要参考价值。
arXiv:2606.16511v1 Announce Type: new Abstract: Recent work motivates moving large language model (LLM) evaluation from mean-based to tail-aware metri…
13
WildIFEval: Instruction Following in the Wild
新基准WildIFEval带你从实验室走进真实世界的指令跟随能力评估
arXiv:2503.06573v3 Announce Type: replace-cross Abstract: Recent LLMs have shown remarkable success in following user instructions, yet handling instr…
14
Claude Fable 5 Scores 95% on SWE-bench, Then Hands Off to Opus 4.8
Anthropic全新Claude Fable 5在SWE-bench验证集上高达95%，并顺手交接给Opus 4.8，AI模型性能再刷新纪录。
The headline number is 95% on SWE-bench Verified. That's the score attached to Claude Fable 5, Anthropic's new general-access model in the Mythos clas…
15
GPT-5.6首批实测来了！精准狙击Mythos
GPT-5.6实测在agentic coding基准上击败Mythos，与Fable 5、Gemini 3.5 Pro上演御三家"生死时速"。
本月发布！
16
Beyond Ideal Instruction: A Comprehensive Framework for Evaluating LLMs in Realistic Interactions
提出超越理想指令的LLM评估框架，聚焦真实交互场景，为模型评测提供了新视角与实用方法论。
arXiv:2606.03318v1 Announce Type: new Abstract: Despite great advances in tool-use capabilities of large language models (LLMs), existing evaluation b…
17
MiniMax M3一手实测：老黄PPT上74个Logo，我以为能难住它
实测MiniMax M3：能准确识别老黄PPT上74个Logo，甚至纠正路径逻辑，闭源模型中也仅“御三家”能做到。
还能带你打卡老黄同款南锣路线
18
Evaluating Relational Reasoning in LLMs with REL
新基准REL系统性评估大模型关系推理能力，揭示现有LLM的短板与潜力。
arXiv:2604.12176v2 Announce Type: replace Abstract: Relational reasoning is the ability to infer relations that jointly bind multiple entities, attrib…
19
百度文心发布 PaddleOCR-VL-1.6：准确率突破 96.33%，刷新文档解析 SOTA
百度文心衍生模型准确率破96.33%，超越GPT-5.2和Gemini-3-Pro，登顶文档解析全球第一
已上线 PaddleOCR 官网，支持网页端和API调用
20
Preference-Aware Rubric Learning for Personalized Evaluation
提出偏好感知评分标准学习方法，让AI评估更贴合个人标准，解决评测千人千面难题
arXiv:2605.31545v1 Announce Type: new Abstract: As Large Language Models (LLMs) evolve from general-purpose assistants to user-centric agents, persona…