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。
内容形态
评测基准 最新动态
模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
5 条精选近 30 天 4 条共收录 11 条
更新
评测基准的精选
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。
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。
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。