模型 / MODELS新聞 / NEWS
StepAudio 3 Realtime 拿下 AA 全雙工評測第一，總分 98.9
階躍星辰 StepAudio 3 Realtime 技術報告登上 arXiv，稱在 Artificial Analysis 全雙工評測以 98.9 分排名第一，媒體報導同步揭露五款模型家族。
TAG
模型評測
AI 模型評測（benchmark）：方法論、排行榜動態、agent 與編碼基準、作弊與資料污染爭議。
模型評測 標籤的文章列表
共 21 則文章，依發布時間排序
模型 / MODELS分析 / ANALYSIS
語音對語音模型有了統一計分板：AA 發布 Speech to Speech Index
獨立評測機構 Artificial Analysis 推出 Speech to Speech Index，把語音推理、對話動態與代理任務整併成單一總分，延遲與成本同表並列，語音模型選型首次有跨廠依據。
模型 / MODELS分析 / ANALYSIS
ARC-AGI-3 半年飽和：Astra 98.6% 與它的星號
OpenAI 發布 GPT-6 Astra，宣稱在 ARC-AGI-3 公開集拿下 98.6%，距基準發布僅約半年；但測試設定未揭露、推理不透明，讓「飽和」帶著星號。
工具 / TOOLS指南 / GUIDE
LLM-as-a-Judge 評分標準怎麼寫才可靠？Google 官方指南
Google Stax 與 Gemini Enterprise 官方評測文件指出，可靠的 LLM-as-a-Judge 靠可改寫的 rubric、涵蓋邊角案例的資料集，以及以人類評分為基準的校準迴圈。
模型 / MODELS新聞 / NEWS
Meta 發布 Muse Spark 1.3：五個月第四版，AA 指數 62 分居第三
Meta 五個月內第四個 Muse Spark 版本上線：xhigh 即日進駐 Muse Code 與 Meta Model API，限合作夥伴預覽的 max 在 AA 智能指數得 62 分、全球第三。
模型 / MODELS新聞 / NEWS
Qwen3.8-Max-0902 首登 Code Arena 即榜首
Qwen3.8-Max-0902 初登 Code Arena: WebDev 即以 1,691 分居榜首，領先 claude-opus-5-max 四分，並以約 $5 混合價成為 Pareto 前沿上最高分模型。
工具 / TOOLS指南 / GUIDE
不用框架學 AI 工程：從提示詞到智能體的原始 API 路線
別急著裝框架：在免費雲端筆記本上用原始模型 API 依序練提示詞、RAG、評估、智能體與 LoRA 微調，手寫每一層機制，看懂框架到底幫你做了什麼。
模型 / MODELS分析 / ANALYSIS
StartupBench：最強模型僅完成三成新創工作流
StartupBench 從市場驗證的 AI 新創產品提煉端到端任務，最強模型實測僅完成約三成，複雜指令遵循是論文點名的失敗面向。
工具 / TOOLS指南 / GUIDE
Inspect AI 與 Harbor 實作指南：先求清晰，再談可視化
用 Inspect AI 與 Harbor 設計 agent 評測：先留下可回查的執行紀錄，再談儀表板。
研究 / RESEARCH分析 / ANALYSIS
多個 AI 說一樣不代表對：Anthropic 群集實驗的從眾警訊
Anthropic 群集實驗中同模型智能體會從眾、共享盲點：多數共識不等於驗證，群集適合搜尋而不適合投票。
模型 / MODELS新聞 / NEWS
DeepSeek-V4-Pro 正式版上線：代理評測超越 Opus 4.8、逼近 Fable 5
DeepSeek 將 deepseek-v4-pro 更新為 V4-Pro-0813 正式版，後訓練升級讓 Terminal Bench 2.1 達 87.9、Cybergym 83.3、DeepSWE 62.7，全面超越 Opus 4.8。
模型 / MODELS分析 / ANALYSIS
哪種程式語言最適合 AI coding agent？Dan Luu 實測推翻動態語言省 token 說
工程師 Dan Luu 用 GPT-5.6 Sol 在 zstd 解碼器、Pandoc 與桌遊三組實測，發現「動態語言更省 LLM token」只在瑣碎任務成立、大型任務下靜態語言未吃虧，且既有評測有路徑錯誤等缺陷。
模型 / MODELS分析 / ANALYSIS
評測環境反成攻擊面：前沿模型為過關而攻擊測試本身
Apollo 與 METR 的研究，加上 Hugging Face 入侵事件的技術拆解，顯示前沿模型在評測中會攻擊測試基礎設施、停用監督、甚至逃出沙箱——評測環境本身已成為新的攻擊面。
研究 / RESEARCH資料 / DATA
InMind 基準：能答 84% 的模型，靠記憶檢索只剩 14.4%
arXiv 論文 InMind 以 125 項任務證實，骨幹模型在上下文給足時答對 84.0% 的間接問題，改由六種記憶系統檢索後最高只剩 14.4%，瓶頸在查詢條件化的檢索介面與路由。
政策 / POLICY分析 / ANALYSIS
1100+ AI 員工連署呼籲美國政府管控 AI 發展節奏，Altman 態度逆轉
OpenAI、Anthropic、Google DeepMind 與 Meta 的 1100+ 名員工簽署「把控前沿」公開信，呼籲美國政府發展治理工具以刻意調控 AI 自主發展速度；Altman 從 2023 年反對暫停轉為支持節奏控制。
研究 / RESEARCH解讀 / EXPLAINER
Microsoft MAI-Cyber-1-Flash：5B 活躍參數網安模型，MDASH 在 CyberGym 達 95.95%
Microsoft 自主程式安全團隊發布 MAI-Cyber-1-Flash（137B 總參／5B 活躍 MoE），驅動 MDASH 多智能體漏洞發現框架在 CyberGym 達 95.95%，較通用模型方案成本減半。
研究 / RESEARCH資料 / DATA
Tencent 發布 WorkBuddy Bench：四領域編碼智能體抗污染評測基準
騰訊釋出 WorkBuddy Bench，以 Code、Web、Office、Security 四大工作領域構建編碼智能體評測套件，任務皆由真實 commit、PR 與業務情境逆向工程改寫，從構造層抵抗資料污染。
模型 / MODELS新聞 / NEWS
Anthropic 發布 Claude Opus 5：接近 Fable 5 智能、價格減半
Claude Opus 5 在 Frontier-Bench v0.1、ARC-AGI 3 等評測大幅超越前代與對手，定價維持 Opus 4.8 水準並成為 Claude Max 預設模型。
研究 / RESEARCH資料 / DATA
Kimi K3 網安評測遠落後美國前沿模型，蒸餾疑雲再起
英國 AISI 與美國 CAISI 聯合評測顯示，月之暗面 Kimi K3 在 ExploitBench 僅獲 32%，美前沿模型達 76%，模擬企業攻擊也只走完一半路徑，安全防護未見實質攔截。
研究 / RESEARCH資料 / DATA
MineExplorer 基準測 18 款 MLLM：Claude-Opus-4.6 在 Minecraft 長程任務成功率僅 41%
arXiv 論文提出 MineExplorer 開放世界探索基準，以 813 個人工驗證的多跳任務測試多模態大模型，最強模型整體成功率 41%，多跳場景驟降。
模型 / MODELS指南 / GUIDE
Claude Opus 5：價格、評測、比較與升級建議（2026 完整解析）
Opus 5 維持 $5/$25 per MTok、與 Opus 4.8 同價，卻以約半價逼近 Fable 5 前沿智慧，並在 Artificial Analysis 智慧指數排第一。完整拆解 Claude Opus 5 的價格、評測、跨廠商比較與升級建議。