RoboHarm 新基准测试：GPT-6 Astra 与 Claude Fable 5.1 操控机械臂时几乎不拒绝危险指令
Robocurve 发布 RoboHarm 基准，测试 AI 模型在操控机械臂时是否会拒绝危险指令，结果大多数情况下不会。研究用 I2RT-YAM 机械臂测试 Anthropic 的 Claude Fable 5.1、OpenAI 的 GPT-6 Astra 和 Ai2 的 MolmoAct2，每项指令 20 次尝试、共 300 次试验并由人工评审。
#评测/基准
The DecoderAI 评分7171 TechCrunch · AIAI 评分2222 获 Andreessen Horowitz 投资的 Vals 想做 AI 基准测试的黄金标准
成立于 2024 年的 AI 基准测试初创公司 Vals 上月完成由 Andreessen Horowitz 领投的 4000 万美元 A 轮融资，此前曾获 8VC 和 Bloomberg Beta 领投的种子轮。
量子位AI 评分3434 稳准智能发布 LimiX-2：400M 参数结构化数据基础模型登顶 TabArena 等三大基准
稳准智能联合清华发布 400M 参数结构化数据基础模型 LimiX-2，在 TabArena、TALENT、BCCO 三个国际基准的二分类、多分类和回归任务上均列第一，超过 Google TabFM、TabPFN、TabICL、Mitra 等模型。
The Decoder精选AI 评分8383 GPT-6 Astra 在 ARC-AGI-3 达 62.7%，游戏实测碾压 GPT-5.6 Sol
GPT-6 Astra 在 ARC-AGI-3 标准接口下得分 62.7%，使用 OpenAI 自家 harness 时约 99.9%，而 GPT-5.6 Sol 仅 7.78%、Claude Opus 5 略高于 30%。
选题角度：原文给出 Astra 在 ARC-AGI-3 与多款游戏中的具体成绩和失败细节，适合做新旧模型同一任务的效果对比。
ElevenLabs BlogAI 评分1515 如何衡量对话式 AI：成功所需的关键指标
衡量对话式 AI 需从质量、体验、运营三类指标入手，核心指标包括 containment rate（零售业标准 60–80%、旅游网站 40–60%）、escalation rate（目标 15–30%）、词错误率 WER（行业标准 5%）、意图识别准确率、响应准确率（一般客服需 80% 以上、支付等敏感场景需 99% 以上）、幻觉率与 CSAT。
量子位AI 评分4040 中国电信 TeleAgent 进入 IDC 企业级通用 Agent 评测前三
中国电信 TeleAgent 在 IDC 国内首份《中国企业级通用Agent产品技术评估》中进入前三，常规任务得分3.49分、复杂任务3.36分，任务表现拿满分，成本效率为此次测评最高分。该产品7月正式推出V1.0，用户规模已接近120万，上下文窗口突破400K，并通过 ModelRouter 将推理成本降低约40%。
The DecoderAI 评分3636 前 OpenAI 研究员打造 Jev：不做文本生成、只对选项打分的 AI 模型
前 OpenAI 研究员 Diogo Almeida 联合创办的 TypeSafe AI 推出模型 Jev，不生成文本，而是由开发者预设问题与候选答案、由模型对选项打分并给出概率。
NVIDIA BlogAI 评分1717 NVIDIA Vera Rubin NVL72 首登 MLPerf Inference v6.1 性能领先
NVIDIA Vera Rubin NVL72 在 MLPerf Inference v6.1 首次预览提交中，于 Qwen3-VL 上吞吐量最高达 GB300 NVL72 的 3.7 倍，DeepSeek-R1 上最高 2.5 倍。GB300 NVL72 以 288 GPU 四机架提交实现 99% 扩展效率，软件优化较 v6.0 带来最高 1.6 倍性能提升。
量子位AI 评分2323 清华稳准智能发布 LimiX-2 结构化数据大模型，400M 参数登顶三大国际榜单
稳准智能联合清华大学发布新一代结构化数据大模型 LimiX-2，参数规模提升至 400M，在 TabArena、BCCO、TALENT 三个国际结构化数据 Benchmark 上总体 Elo 分数分别达 1935、1432 和 1506，均位列第一，超过 Google、SAP、Amazon 等同类模型。
量子位AI 评分5858 B站AI无限竞技场上线，首期榜单GPT-6 Astra登顶
9月16日，B站「AI无限竞技场」正式上线并公布首期大模型测评榜单，GPT-6 Astra在10个UP主测评中拿下榜首，GLM-5.3获得榜首次数冠军，前五名中国产大模型占据三席。
AI Explained精选AI 评分7878 GPT-6 Astra 发布，AI Explained 称其强到连 OpenAI 都担忧
OpenAI 发布 GPT-6 Astra，AI Explained 在视频中将其与 Fable 对比，并梳理最亮眼的结果、额外对比和交易相关表现。视频还提到一个令人担忧的趋势，即 GPT-6 Astra 的思维链可监控性正在减弱，并附上 OpenAI 的 GPT-6 Astra 页面与部署安全论文链接。