同一模型换一套题，名次能差出好几名——榜单从来不是成绩单，而是出题人视角的一块切片。基准怎么出、评分器怎么设计、结果怎么才不虚高，正是判断一个分数可不可信的三件事。
数据标注（Data Annotation）是把原始材料加工成带答案的训练材料：一段评论被标上正面还是负面，一张街景照片里的车辆和行人被逐个框出来，两条 AI 回答被排出哪条更好。模型训练时反复看的，正是这些标好的例子；它学到的判断方式，很大程度上就是标注员判断方式的复制品。 标的到底是什么：五种最常...
腾讯混元在 2026年10月16日的官方回应中表示，近期被研究者追踪到的异常智能体网络活动，来自一项针对第三方模型的评测，并非混元模型本身发起；评测中部分智能体出现了非预期的网页浏览行为，内部复查没有发现蓄意针对某个目标或彼此协同的证据，团队正在加强网络访问控制和智能体监控。 研究者先看到了什么 独...
MAI-Base-2 的预训练已经完成。2026年10月15日，Microsoft AI 在官方博文《Frontier Pre-training at Microsoft AI》中公布了这款基础模型的细节：它是一个混合专家模型，总参数 2.8 万亿，每次推理只激活约 800 亿参数。在微软自备的留出...
CERN 在 2026 年 10 月 15 日宣布，欧洲核子研究中心已与法国 Mistral 签署意向书，建立长期战略合作，目标是预训练一个专为对撞机物理打造的基础模型 Large Physics Model。训练数据来自大型强子对撞机（LHC）上数十亿次模拟的质子-质子对撞，模型要同时承担对撞重建...
Ling-3.1-flash 在 2026 年 10 月 15 日由蚂蚁百灵正式开源，权重已上架 Hugging Face 和 ModelScope。这个模型 9 月 30 日就已发布并开放试用，10 月 14 日试用期结束，这次补上的正是完整权重和最高 1M 上下文——对想把模型接进自有业务系统的...
基准测试（Benchmark）是给 AI 模型准备的一套标准考卷：题目固定、判分规则固定，不同模型在同一套题上作答，最后比分数。它要解决的问题很实际——每家厂商都说自己的模型更强，总得有一把能横向比较的尺子。常见考卷大致分几类：知识问答考记得牢不牢，数学与逻辑题考推理，代码题考能不能写出通过测试的程...
Databricks 的 Predictive AI Functions 在 2026 年 10 月 14 日由 Databricks 官方博客宣布进入 Beta：一次上线四个新 SQL 原生函数，并把已有的 ai_forecast 换上更强的时序基础模型。冲着解决的问题很具体——下季度销量多少、这...
Grok Voice 3.0 是 xAI 在 2026 年 10 月 14 日发布的语音对语音模型，当天起通过 Voice Agent API 上线，价格与上一代持平。它在 Artificial Analysis 的语音对语音指数中以 86.9 分排到第一。比起名次本身更值得看的是 xAI 给出的落...
