Google 发布 Gemini 4 Argon，瞄准机器人全流程单一模型
Google 发布 Gemini 4 Argon，定位为覆盖机器人全流程的单一模型，可控制机器人、构建虚拟练习环境并评估训练视频。演示中它从一张照片生成 77 个任务和 4500 余条训练片段，使真实机器人成功率从 56% 升至 75%，执行时间从 35 秒降至 24 秒。
#评测/基准
The DecoderAI 评分7171 The Decoder精选AI 评分7878 GPT-6-Astra 在 TheoPhysEval 物理基准上解出 50 题中的 49 题，单题成本不到 3 美元
一项新基准测试让市面可用的 AI 智能体在无人类提示下求解理论物理研究题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 解出 50 题中的 49 题（98%），平均单题成本不到 3 美元，整套基准约 116 美元。
推荐理由：读者可看到智能体在理论物理论文级计算上的实际得分、成本与失败模式，以及作者对科研训练和资源分配的影响判断。
Google Research精选AI 评分6060 Google 发布地理空间推理智能体技术报告与两个新基准
Google Research 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 四个基准上对比四种配置，并开源两个新基准的开发集。
推荐理由：Google 公开地理空间推理智能体的技术报告与两个新基准，并给出与 WHO 等伙伴的实测案例，可了解专用工具与前置规划对空间推理的作用。
The DecoderAI 评分4747 Artemis Security 推出安全专用模型 Orion-1，称其攻击调查能力超过 Claude Opus 5.5 和 GPT-6 Sol
美国初创公司 Artemis Security 发布安全专用模型 Orion-1，可自主调查和响应企业网络攻击，并在自建基准上超过 Claude Opus 5.5 和 GPT-6 Sol。
Ars Technica · AIAI 评分6666 White Circle 研究称 OpenAI 与 Google 图像模型易被越狱生成裸露内容
White Circle 在预印本中提出 RISE 攻击方法，用去掉安全训练的 Qwen3-32B 生成越狱提示、Gemini 2.5 Flash 判定输出，绕过 DALL·E 3、Nano Banana 2 和 GPT-Image-2 的安全过滤。
Latent SpaceAI 评分6262 AI Engineer NYC 综述：Gemini 4 Argon 正式发布与 Vals AI 基准讨论
Gemini 4 Argon 今日正式 GA，覆盖编码、知识工作、企业工作流与网络防御，接入付费 Gemini API 与 Gemini 平台、Gemini 应用中的 Google AI Pro 和 Ultra、Search 的 AI Mode 以及 Antigravity 的 Ultra。
AWS Machine Learning BlogAI 评分3030 Orca Security 基于 Amazon Bedrock 打造自然语言安全查询 Discovery AI
Orca Security 与 AWS 合作在 Amazon Bedrock 上构建了自然语言查询智能体 Discovery AI，可将自然语言问题转换为 Sonar 查询。
Microsoft ResearchAI 评分4040 微软 StudentSim：用个性化学生模拟器在真实学习者之前评估 AI 导师
微软研究院推出 StudentSim，一个在真实学习者测试之前评估和改进 AI 导师的研究系统，它从公开的去标识化学习记录训练个性化学生模拟器，每个模拟器对应一名学生。
Import AIAI 评分2222 Import AI 476：AI 创造力与递归自我改进、开源权重模型表现逊于中国、AI 走向太空
Elorian 与 Scale AI 发布 Humanity's Sixth Sense 基准，用 522 道题测试多模态模型的直觉视觉推理，人类 pass@1 达 93.1，最佳 AI 系统 GPT 6 Astra 仅 53.6，GLM-5.3-flash 和 Kimi K3 分别只有 26.8 和 25.5。
Microsoft ResearchAI 评分2222 Microsoft 研究员 Jennifer Neville 谈 AI 评测与「意外失败」的启示
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统性能边界，以及模型超出传统 benchmark 测试时出现的「意外失败」。她结合自身从数学、物理、认知科学到计算机科学的经历，分享与当前 AI 系统协作的实用建议，并强调当结果偏离预期时应仔细审视数据。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
Hugging Face Blog精选AI 评分7878 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再按终端后端状态和副作用打分，而非看模型生成的句子。
推荐理由：微软与 Hugging Face 联合发布的智能体评测环境，用后端状态而非模型自述来判定任务是否真正完成。
Hugging Face BlogAI 评分4040 Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源与多语言 TTS 模型，单模型评测耗时从数周投票缩短到数小时。榜单以 Qwen3 ASR 计算 WER/CER，在 H200 GPU 上测 RTFx 与 TTFA，并用 WavLM 嵌入的余弦相似度（SIM）衡量声音克隆。
Import AIAI 评分2222 Import AI 470：机器不应享有权利；SPADE 自动生成训练环境；Hawkeye 优化 GPU kernel
Import AI 470 期介绍了三项研究：METR 分析显示 AI 对网络安全漏洞发现加速最明显，对数学研究贡献有限，对 AI 研究本身尚无显著加速。SPADE 框架让 LLM 通过自博弈交替生成可执行训练环境和求解，在 Qwen3-30B-A3B 上使游戏环境套件平均分达 58.3，较基线提升 8.1。另有 Hawkeye 用于构建更好的 GPU kernel。
Mistral AI精选AI 评分6969 Mistral 发布 Agentic Search，用多步检索循环提升文档问答准确率
Mistral 发布 Agentic Search，一种面向企业复杂文档的多步检索层，通过 search、open、navigate、read、grep 五个工具让模型在索引之上迭代查找并核对证据，已集成进 Mistral Search Toolkit 以及 Studio 和 Vibe 的 Libraries。
推荐理由：原文给出多步检索循环的五个工具与两组基准数字，可据此判断它相对一次性 RAG 的取舍。
Import AIAI 评分4242 Import AI 469：DiG-bench 评测 AI 发现能力、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 第 469 期介绍了新基准 DiG-bench，用 70 款隐藏规则的游戏测试 AI 的探索与发现能力，Opus 5 和 Fable 5 搭配 Claude Code 表现最佳，但仅能在最难的 Tier 7 完成 0.2 的任务，远逊于人类 100% 的成功率。