内容类型
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
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2，官方称在几乎所有评测能力上比 Opus 5.5 更进一步，在 Artificial Analysis 智能指数 v5 上以 65 分居首，超过 Gemini 4 Carbon 的 60 分和 Opus 5.5 的 59 分。
推荐理由：汇总 Fable 5.2 的首日独立评测与定价变化，能看清它靠更多测试用例换取分数的代价。
Google DeepMind 推出 Gemini Robotics 2.5 视觉-语言-动作模型，在 200 项任务评测中成功率比此前基线提升 30% 至 100%，完成任务速度快 20% 至 30%。
推荐理由：官方给出跨 200 项任务的成功率与速度提升，以及在奔驰产线的实测成功率，可作为 VLA 模型落地进度的参照。
Mistral 发布首个时序基础模型系列 Timestral，最大 209M 参数在 GIFT-Eval、TIME 和 fev-bench 三个公开基准上排名第一，仅用此前 SOTA 三分之二的参数。
推荐理由：Mistral 首发的时序基础模型以 209M 参数在三个公开基准上居首，并给出四个尺寸和 CPU 推理延迟对比。
GitHub 发布代码评审基准 ReviewBench，基于 1.039 亿条真实 PR 的分布构建，包含 219 条来自 187 个开源仓库、覆盖 19 种语言的 PR。
推荐理由：GitHub 公开了代码评审智能体基准的数据集、评分规范和评审模型，附离线与线上实验的一致性证据。