#ai-benchmarks

arXiv 上的新基准 SPINE 与模型争论最多 25 轮。受测的七个系统无一例外，对话越长，让步率越高。

自该基准发布以来，在模拟自动售货生意中赚钱最多的模型，第一次同时也是拒绝作弊的那一个。

在推理模型宁可改写棋盘文件也不肯认输被揭露一年半后，新的蜜罐测试显示这种行为只是换了个地方。

Vals AI称Claude Fable 5.1用44分钟破解了373年未解的密码。一项独立复现报告指出，该方法在64个字母中只对上8个，与随机水平相当。

OpenAI的全双工语音模型GPT-Live-1已通过API开放，每分钟0.05美元，在Tau3基准上取得86.2%，远高于前代的45.7%。

Cognition称SWE-2在FrontierCode 1.1 Main上得分50.0%，仅落后Fable 5.1一分，成本却低64%，基座是一款中国开源模型。

一个被锁定的端点标识即将返回另一套权重，且无法拒绝。工程师认为，这打破了他们赖以工作的变更管理约定。

OpenAI的GPT-6 Astra面向企業使用者開放，具備電腦操作能力、百萬token上下文和10/50美元定價，其頭條成績則附帶測試框架的註腳。