从合成企业数据评测到提升 Microsoft Copilot 的 AI 置信度
微软构建 Industry Evaluation Data Generation Platform，通过全尺度合成企业环境评测 Microsoft Copilot，在不接触客户数据的前提下验证性能。该平台基于 O*NET、在线招聘与 SEC 申报等公开数据源，模拟具备真实时序的邮件、会议和组织架构。目前已针对制药、资本市场及 IT 软件构建三类仿真环境，用以发现通用基准难以覆盖的问题。
#评测/基准
Microsoft ResearchAI 评分4242
Latent SpaceAI 评分5353 Elorian 推出 DecoyCount 视觉推理基准，实测前沿模型计数与视觉捷径缺陷
Elorian 联合 Mercor 发布 DecoyCount 基准并公布视觉推理测试结果，用于检验模型是在真实计数还是依赖视觉捷径与替代启发式。在测试中前沿模型准确率均低于 50%（最高者 GPT-6 Astra 为 43.17%），Elorian 自研视觉思考模型 Glimpse 在单次独立测试中取得 50.48% 准确率。
The DecoderAI 评分7070 Artificial Analysis 更新智能指数致开源与闭源模型差距拉大
Artificial Analysis 全面改版其 Intelligence Index v5，使开源模型与榜首的差距从 3 分拉大至 12 分。新版本首次将 60% 的评测依赖于私有闭源测试集以防止针对测试题刷榜（benchmaxxing），导致月之暗面 Kimi K3.1 Pro 排名从第 4 跌至第 9 并落后于 8 款闭源模型，Grok 4.7 也下降 12 分。
The Decoder精选AI 评分8585 OpenAI 发布 GPT-6.1 Terra，API 价格减半且缩小与更大模型的差距
OpenAI 发布 GPT-6.1 Terra，API 价格是 GPT-5.6 Terra 的一半，输入每百万 token 1 美元、输出 5 美元，缓存输入降至每百万 token 0.05 美元。
推荐理由：以 API 价格减半和每任务成本对比为主线，读者可据此判断中端模型在成本与能力间的取舍。
The DecoderAI 评分5757 研究发现让 AI 文本读起来费力的六种语言模式
纽约大学与得克萨斯大学奥斯汀分校的研究让 Claude、GPT-5.6、GLM-5、Kimi K2.5 及 Llama、Olmo 等 14 个模型生成对话、编码会话和议论文。
Hugging Face Blog精选AI 评分7575 NVIDIA 发布关系型基础模型 Kumo Relational，无需训练即可预测
NVIDIA 发布预训练关系型基础模型 Kumo Relational，直接在企业数据库上做预测，无需任务特定训练、特征工程或表扁平化。在 15 个数据库的 41 项任务上，它超过监督式关系深度学习模型和专家特征工程 GBDT 管线；在 SAP SALT 企业基准上，其 MRR 比 AutoGluon 集成高 8%，微调后扩大到 16%。
推荐理由：原文给出与企业数据库上直接预测的对比结果和开放权重，可供读者判断无需训练的范式在关系型数据上走到哪一步。
Import AIAI 评分6161 Import AI 476：创造力与递归自我改进、弱于中国的开放权重模型、AI 走向太空
Import AI 476 汇总了多项新研究：Elorian 与 Scale AI 发布 Humanity's Sixth Sense 基准，用 522 道题测模型对图像和视频隐含信息的直觉推理，人类基线 pass@1 为 93.1，表现最好的 GPT 6 Astra 为 53.6，GLM-5.3-flash 与 Kimi K3 仅在 26 左右。
Microsoft ResearchAI 评分3434 Microsoft 研究副总裁 Jennifer Neville 谈 AI 的失败与评估能教会我们什么
Microsoft 研究合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中与首席应用科学家 Chad Atalla 对谈，讨论评估如何推动当前 AI 系统突破传统基准的性能边界，以及模型在超出传统 benchmark 测试时出现的"意外失败"。她同时分享了使用当前 AI 系统的实用建议，并强调当结果出乎预期时应仔细检查数据。
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 AI 代码审查离线基准 ReviewBench，包含 219 个公开 pull request、覆盖 19 种语言，并配有公开数据集和排行榜。
推荐理由：GitHub 公布 ReviewBench 的构建方法与 96.6% 专家标注一致率，并给出离线结果与线上 A/B 实验的对应案例。