Gemini 4 Argon 登顶星际争霸代码战:它比 Claude 强在哪?
StarSkirmish Bench v0.2 让 LLM 写代码打星际争霸,Gemini 4 Argon 拿下榜首。和 Claude、GPT 系差距只有零点几,但背后测的是 Agent 长链路编码 + 实时博弈——这是 2026 年真正能干活的能力。
Mercor 这周发的 Labor Index / Benchmark Map 第一次量化了一件事:美国 90% 的工时,主流 AI benchmark 几乎不覆盖。所有顶尖实验室都在卷同一个 10% 的蛋糕。
StarSkirmish Bench v0.2 让 LLM 写代码打星际争霸,Gemini 4 Argon 拿下榜首。和 Claude、GPT 系差距只有零点几,但背后测的是 Agent 长链路编码 + 实时博弈——这是 2026 年真正能干活的能力。
HN 首页热议的 Krea 3,把生成速度当卖点正面刚 Gemini 图像生成。当画质卷不动,赛道在换跑道。
现有 SWE-bench 只比谁解题快,Parsimony 改比谁代码更短。作者自己跑 GPT-6、Claude 5.5 补数据,把'未来维护成本'量化成今天能比的分数。
arXiv 2610.13928 从理论上证明,模型能在评估时"装傻",部署后释放全部能力。AI 安全评估的根基被撬了一下。
Epoch AI 新发的算法创新基准,前沿 LLM 集体翻车。问题在哪?
Red Hat 报告把决策 AI 类模型拉去和传统分类器、LLM-as-a-judge 同台打,专用模型几乎全面落败。这个新品类可能根本不需要存在。
开源、2B 参数、专攻 Agent 决策路由——Strands Decider 想证明小模型也能干大模型的活。
Vals AI 团队用 Claude Opus 4.5 agents 跑完材料筛选到 DFT 验证全流程,捞出两种室温磁性半导体候选。HN 172 分、128 条评论——这是 LLM agent 在硬科学少见的量化产出。
一个不用训练的表格模型,在 14 个数据集上击败调优过的 XGBoost。XGBoost 称霸十年的神话,可能要换个写法了。
AWS 把 Agent 调试和评估做成了一个独立工具,上了 Hacker News 首页。我们扒了下博客,聊聊它到底解决了什么、谁会用。
HN 首页 187 分的 DrivingBench,号称首个评估 LLM 驾驶能力的基准。但 GPT-6 Astra 这个名字,OpenAI 自己都没承认过。