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。
内容类型
评测基准 最新动态
模型到底谁更强：Benchmark 评测成绩、评测方法的争议与排行榜变化。
4 条精选近 30 天 3 条共收录 13 条
更新
评测基准的精选
Latent Space精选AI 评分8282
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。
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。