AINews：Gemini 4 Argon 正式发布，Vals AI 谈基准测试
Gemini 4 Argon 今日正式 GA，面向编码、知识工作、企业工作流和网络防御开放，覆盖付费 Gemini API、Gemini 应用及 Antigravity 等入口。
推荐理由：汇总了 Gemini 4 Argon 发布当天的定价、评测与部署反馈，可快速了解前沿模型竞争格局。
#评测/基准
Latent Space精选AI 评分7878
Latent Space精选AI 评分8080 Meta MSL 发布 Muse Wonder 与 Muse Wonder Full 模型家族
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，前者为快速前沿版，后者为完整版。
推荐理由：汇总了 Muse Wonder 双版本的第三方评测与定价，可对照 Opus 5.5、GPT-6 等前沿模型看 Meta 的位置。
Microsoft ResearchAI 评分3636 微软 StudentSim：用个性化学生模拟器在真实学习者测试前评估 AI 辅导
微软研究院提出 StudentSim，一种从公开去标识化学习记录训练个性化 AI 学生模拟器的研究系统，可在真实学习者测试前评估和改进 AI 辅导。该系统同时发布 StudentSimEval 基准，覆盖国际象棋、第二语言英语写作和数学，从行为保真度与指导响应性两个维度评估模拟器，表现优于领先基线。StudentSim 并非产品，不部署于课堂，也不用于替代教师。
Import AIAI 评分2222 Import AI 476：AI 创造力与递归自我改进、开源权重模型表现逊于中国、AI 走向太空
Elorian 与 Scale AI 发布 Humanity's Sixth Sense 基准，用 522 道题测试多模态模型的直觉视觉推理，人类 pass@1 为 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 与 Kimi K3 分别只有 26.8 和 25.5。
Microsoft ResearchAI 评分2222 Microsoft 研究：AI 评测如何暴露传统 benchmark 之外的“意外失败”
Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统性能边界，以及模型在传统 benchmark 之外测试时出现的“意外失败”。她结合自身从数学、物理、认知科学转向计算机科学的经历，分享与当前 AI 系统协作的实用建议，并强调当结果偏离预期时应仔细审视数据。
GitHub Blog · AI & ML精选AI 评分6262 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与评测口径，可据此理解离线指标与线上实验的对应关系。
Hugging Face Blog精选AI 评分7171 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再按终端后端状态和副作用打分，而非看它生成的句子。
推荐理由：ThinkingBox 用 507 个有状态工作流的 20 次重复运行，把智能体的评估从工具调用转向终态数据库记录。
Hugging Face BlogAI 评分3434 Hugging Face 发布 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 推出 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
Import AIAI 评分2222 Import AI 470：机器不应享有权利、SPADE 自动化环境生成、Hawkeye 构建更优 GPU kernel
METR 研究显示 AI 对科学的加速并不均衡：网络安全漏洞报告率在 2026 年大幅加速，数学领域贡献有限，AI 研究本身则无可测量的加速。SPADE 通过自博弈让 LLM 交替生成可执行训练环境和求解，在 Qwen3-30B-A3B 上游戏环境套件平均分达 58.3，较基座提升 8.1。
Mistral AI精选AI 评分7171 Mistral 发布 Agentic Search 检索层，FinanceBench 正确率从 26.7% 升至 86%
Mistral 发布 Agentic Search，一个让模型在多步检索循环中查找、打开、导航、阅读和验证信息的检索层，通过 Mistral Search Toolkit 提供，并内置于 Studio 和 Vibe 的 Libraries 中。
推荐理由：原文给出多步检索循环的工具设计与两组基准数字，可对照一次性 RAG 判断检索层改造的收益边界。
Import AIAI 评分3838 Import AI 469：DiG-bench 测试 AI 发现能力、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 469 介绍了新基准 DiG-bench，用 70 款隐藏规则的游戏测试 AI 自主发现环境规律的能力，Opus 5 和 Fable 5 搭配 Claude Code 表现最佳，但仅能在最难的 Tier 7 完成 0.2 的任务，而人类可达 100%。