Vals AI 研究：中文模型政治立场比预期更复杂，并非只是政府传声筒
AI 基准公司 Vals AI 的研究显示，中文模型在政治问题上的回答并不像预期那样统一，西方模型偶尔也会采用中国官方立场。研究用 -1 到 +1 的“亲中倾向”评分测试了中文、美国及其他语言模型，发现简体中文提示下的回答比英文、俄语或西班牙语更亲政府，这一效应在中美模型中都存在，但中文模型更明显。
#评测/基准
The DecoderAI 评分5858 80aj.comAI 评分5555 arXiv 研究揭示大模型现代化遗留 PHP 代码的破坏性风险
一项发表于 arXiv 的研究评估主流大模型在遗留 PHP 代码现代化改造中的表现，发现模型往往在更新语法、替换废弃函数或迁移框架时引入行为偏差，破坏原本正常的功能。研究指出，模型倾向于按现代编程范式重写代码，而非严格保持原有行为，这是功能破坏的主要根源。论文还分析了模型在理解旧式代码惯用法、隐式依赖和边界行为上的局限，认为当前模型对行为保持这一约束缺乏足够重视。
Latent SpaceAI 评分6262 Legora CTO Jacob Lauritzen 谈为律师构建 AI 智能体
Latent Space 访谈 Legora CTO Jacob Lauritzen，讨论为律师构建 AI 智能体所需的产品与工程取舍。Legora 在 4 月 ARR 突破 1 亿美元、上线不到 18 个月，客户超过 1800 家，10 月以 88 亿美元估值完成 5.5 亿美元融资。
量子位AI 评分6262 商汤发布多模态智能体模型日日新 SenseNova 6.8 Flash，限时免费
商汤科技发布多模态智能体模型日日新 SenseNova 6.8 Flash，主打委派智能，用户只给目标、AI 走完全流程，目前限时免费。官方评测中它在 TeamBench 和 DataAnalysis2.0 上排名第一，在 BEAM 128K 上与 GPT 6 Luna 并列第一。
OpenAI NewsAI 评分4242 OpenAI 推出 LifeVal 基准，衡量 AI 完成日常事务的能力
OpenAI 推出 LifeVal 基准，用于衡量 AI 帮助人们完成日常事务的能力，涵盖寻找托育、管理财务和处理政府文书等场景。
Microsoft ResearchAI 评分4040 微软用合成企业数据评估 Microsoft Copilot 的 AI 置信度
微软构建 Industry Evaluation Data Generation Platform，用基于 O*NET、招聘信息和 SEC 文件等公开数据生成的全合成企业环境来评估 Microsoft Copilot，避免使用客户敏感数据。
Latent SpaceAI 评分4242 Elorian 发布视觉推理模型 Glimpse，DecoyCount 基准测试前沿模型计数能力
Elorian 推出首个视觉推理模型 Glimpse，并在与 Mercor 合作的 DecoyCount 基准上内部测试得分 50.48%，成为唯一超过 50% 的模型。
Latent Space精选AI 评分8282 Google DeepMind 发布 Gemini 4 Carbon，先向网络安全防御方开放
Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon，定位网络安全与长周期任务，先通过 Fairwind Program 向可信网络安全防御方开放，更广泛的开发者访问称将尽快提供。
推荐理由：汇总了 Gemini 4 Carbon 的第三方榜单表现、定价与访问限制，可对照各家评测口径看这次发布的真实位置。
InterconnectsAI 评分4040 Artificial Analysis v5 发布与基准测试者的两难困境
Artificial Analysis 更新 Intelligence Index 至 v5，按知识工作、编程、科学、通用各 25% 加权，纳入 AA-Briefcase、FrontierCode 2.0、Terminal-Bench 4.0、HLE-Diamond 等评测。
Google Research精选AI 评分6262 Google 发布地理空间推理智能体技术报告并扩大 Earth AI 早期访问
Google 发布地理空间推理智能体的技术报告，在 CBGB、UnivEARTH 及自研的 GeoExpertQueries、GeoKTools 四个基准上评估，并公开两个新基准的开发集。
推荐理由：技术报告用四个基准对比有无 Earth AI 工具与前置规划，并附 WHO 等伙伴的真实场景反馈。
Microsoft ResearchAI 评分5252 微软研究院提出 StudentSim：用学生模拟器评估和改进 AI 导师
微软研究院提出 StudentSim，从公开的去标识化学习记录训练个性化 AI 学生模拟器，用于在真实学习者测试前评估和改进 AI 导师。研究同时发布 StudentSimEval 基准，覆盖国际象棋、第二语言英语写作和数学三个领域，从行为保真度和引导响应性两个维度评估模拟器。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布代码审查离线基准 ReviewBench，基于 103.9M 个真实 PR 的分布构建，包含 19 种语言的 219 个公开 PR。
推荐理由：GitHub 公开了 ReviewBench 的构建方法、评分规则和 96.6% 人工一致性数据，可用来对比不同代码审查智能体的取舍。
Qwen Blog精选AI 评分7272 Qwen 联合淘天发布 E-Commerce Bench 电商长程经营评测
Qwen 团队联合淘天集团发布 E-Commerce Bench，评估模型作为电商商家在真实市场中经营网店的长程能力。模型拿到 10 万元本金，在 365 天、每天 600 分钟的时间预算内完成选品、谈判、定价、库存与现金流管理，环境由 6,886 个商品、60 个品类、576 个供应商和 12 种店型构成，数据脱敏自淘宝和天猫。
推荐理由：材料给出了长程经营评测的环境设计与18个模型的资产结果，可用来对照现有Agent评测偏短程的局限。