搜索
阿里巴巴Accio团队、复旦大学和上海创新研究院提出Neos，通过数据构造、过程信用分配和MEI协同进化训练轻量多模态搜索模型，Neos-35B十项基准均分64.7，逼近Gemini-3.1-Pro的67.1分，Neos-9B平均工具调用减少约32%。
Deepnote发布Agent Initiative Benchmark评测称，OpenAI包揽前二，GPT-6.1 Sol以8.65分、每任务0.11美元成为性价比最高者，Anthropic Fable 5.2成本高17倍但得分更低。
UniPat AI牵头推出Science Prediction Universe（SPU）湿实验预测基准，以116个任务、4207个实验评测12款前沿模型，首轮Claude Opus 5.5平均分最高但仅约半数任务超过随机水平，GPT-6 Astra推理强度升至最高也未显著提分。
无界前沿正式开源生物信息大模型Fx-Bio-1031，在BioMysteryBench困难子集取得70.59%的Pass@5，领先GPT-6-Astra和Claude Opus-5。
Latent Space实测显示，NaiveAI开源模型Naive-N0.5-Flash综合能力介于DeepSeek V4.1 Flash 1017与GLM 5.3 Flash之间，编程单项评测反超，峰值速度约2100 Token/s，3D太阳系任务表现最佳。
未来医生医疗大模型MedGPT在40例真实复杂肺癌病例盲评中以88:12战胜250名三甲医生，综合评分96.22领先GPT-5.4 Direct、Claude Opus 4.7 Direct和Gemini 3.1 Pro Direct，并使医生辅助下方案得分提高24.1%。
姚期智、杨植麟等发表论文并开源TCSExam基准，GPT-6 Astra以71.9分居首、Kimi K3.1 Pro得57.4分，所测模型均未独立攻破30道开放猜想，但部分数学结果刷新了既有边界。
RoboColiseum新赛季榜单中，Claude Fable 5.2以18.30分综合登顶，并在精细操作、跨本体迁移领先，但灵巧手仅得3.73分；策略模型π₀.₅以16.79分在该赛道领跑。
Robocurve的RoboSpoof评测显示，GPT-6 Astra、Claude Fable 5.1等五款多模态模型控制真实机械臂时，画面模糊或AI篡改使危险任务总体尝试率从27%升至约88%和97%。
斯坦福研究团队让GPT-6 Astra直接修改π₀.₅机器人策略的65行词嵌入，将765条留出指令的整体成功率从86.3%提升至92.0%，但仍有4个回合退化且结果仅限仿真。