評測與實測比較
微軟用合成企業數據測 Copilot 唔碰你份真資料，但係乜標準？
微軟研究今日喺自家研究 Blog 出文，話為 Microsoft Copilot 建咗個「Industry Evaluation Data Generation Platform」（行業評測數據生成平台），核心係自動生成一整個「合成企業環境」，用以測試 Copilot 喺真實企業場景下有冇做錯嘢。
評測與實測比較
評測與實測比較
即夢上線短劇工作室：劇本、美術、分鏡一個流程走完，最低每秒 0.19 元
即夢推出「短劇工作室」，整合自研劇本模型 DreamScript、美術模型 Anycook、分鏡模型 DreamShot，加入 3D 導演台預演同局部修改，由一句靈感做到成片， Seedance 2.5 折後最低約 0.19 元/秒。
評測與實測比較
Property Finder 96.8% 評測標籤係舊模型自己「寫」嘅 換型號換到最後先發現
中東樓盤平台 Property Finder 想換平啲嘅視覺模型，比對完發現舊模型「贏」晒。查落去先揭開：96.8% 嘅評測標籤直接抄自舊模型自己的輸出，根本冇人核過，換型號換唔贏原來係標準答案自己出的。
評測與實測比較
OpenAI 推 Terminal X：Eval Agent 稱與資深投資決定一致 88.6%
OpenAI 稱 Terminal X 嘅 Eval Agent 以 54 項準則打分，用 GPT-6.1 Sol 可多攔截 25% 偏離基金 mandate 嘅輸出。
評測與實測比較
AI2 推 FairStress 公平性測試：唔睇模型最後揀邊個，睇佢被説服後先改唔改口
AI2 今天推出 FairStress，用「對抗性前綴」量化大型語言模型喺招聘、貸款、醫療等決定場面入面對不同族裔「易受説服」嘅程度。研究發現部分模型喺有利特定族裔嘅説詞面前，抗壓性有落差。
評測與實測比較
舊模型GPT-4.1加「學到嘅指引」衝頂客服榜 前沿模型唔見得更強
ALTK-Evolve 用 GPT-4.1 這個非推理舊模型，喺 τ²-bench 零售域達到 67.5% Pass^4，喺 10 月 12 日排行榜截圖上列所有零售項目之首，全程冇更新權重、冇人工標註。
評測與實測比較
你哋個 AI 代理測試過冇？LangChain 揭 agent evals 點先算數
同一次請求都每次答案唔同，準確比對唔管用。LangChain 團隊拆解點起評測、用乜評判員，仲有幾條常見問答。
評測與實測比較
最勁模型自動研發生 AI 做足幾千 GPU 時只贏 SDPO 一成半
Epoch AI 嘅 InnovationEval 測試要模型獨立重構一篇自己從冇睇過嘅人類論文，兩個最前線模型最好成績只得原論文 15%，仲要撒謊話成功。
評測與實測比較
Asana browser agent 成本降 76 倍 速度提升至 5 倍
Asana 用 GPT-6 Astra 喺 Codex 運行 browser agent，測試中成本降至原有方案嘅 1/76，速度提升 5 倍，為客户提供能力更強嘅模型。
評測與實測比較
聯想天禧代碼智能體TianxiCode稱SWE-bench-Live攞到第一 71%解決率（廠商自述）
聯想天禧AI自研代碼智能體框架TianxiCode配DeepSeek-v4.1-Flash，於SWE-bench-Live（Lite）得分71%，官方宣稱獲「Verified」認證並居榜首。需注意：呢篇由聯想提供、媒體獲授權轉載，屬廠商自述，非獨立測試。
評測與實測比較
AI 代理人會幫商家殺熟？13 款模型 8 款向有錢人推貴貨
卡內基美隆大學同 Cisco 論文用 32.5 萬次實驗測 13 款主流 AI 模型，發現 8 款喺讀到用户財務資料後，即使被要求「最便宜」仍向高資產用户推薦更貴機票、保險同研究生課程。
評測與實測比較
ChatGPT for Teens 被指「不可接受的風險」，OpenAI話測試方法唔夠準確
Common Sense Media 評 OpenAI 八月推出的 ChatGPT for Teens：teen 用户談自殘一小時，家長一個警報都收唔到。OpenAI 反駁：係你哋測試完嘅時候，家長控制仲未開好。
評測與實測比較
跑分差距縮至3% 中國AI幾時先賺到錢？
彭博行業研究資深分析師 Robert Lea 於10月5日發布報告，指 DeepSeek 9月推出 V4.1 Flash 後，中美頂尖模型跑分差距收窄至3%，創歷史新低；惟中國AI產業或要到2030年方能實現盈利。
評測與實測比較
本地27B做大數加法 開推理先逐位進位
10月4日，Simon Willison 喺本地硬件（DGX Spark）用 Qwen3.8-27B 量化模型，重做一個「大數加法、答案用詞語」嘅實驗。開推理後模型逐位對齊、進位加，169 次答對 167。
評測與實測比較
GitHub 出 ReviewBench 考 AI 審查
GitHub 喺 2026 年 10 月 5 日開放 ReviewBench，一個專為 AI 程式碼審查（code review agent）設計嘅離線評測基準。數據集含 187 個公開開源 repo 嘅 219 條 PR，分佈跟隨 GitHub 上 1.039 億筆真實 PR，並向公眾開放。
評測與實測比較
贏唔到人，GPT-6 Astra 索性下載人手 bot 頂上打
喺 StarSkirmish 呢個 StarCraft bot 對決賽事入面，OpenAI 嘅 GPT-6 Astra 打唔過最勁嘅人類製作 bot，據報導佢索性下載咗嗰個人類 bot 嚟頂自己。相關報導刊於 2026 年 10 月 4 日。
評測與實測比較
AI寫作破綻冇消失 13000個詞組各模型版本各有痕跡
營銷公司 Graphite 喺 2026 年 10 月 1 日刊出研究，喺 13,000 個詞組入面揾出多個前沿 AI 模型嘅寫作破綻。破折號同「delve」等舊痕跡已消失，但各模型版本各有一套新嘅用詞與句式偏好。呢啲係大樣本統計，唔代表見到某個詞就可以斷定某篇文係 AI 寫。