腾讯混元（@TencentHunyuan）发布 WebCraftBench：针对「AI 说站点做完了，但首页报错、按钮重叠、还多出未要求登录流」这类失败，让智能体在真实线上应用中操作，用覆盖引导探索找出未触达路径，再从美学、可用性与是否满足原始需求打分。在 197 对人工校验样本上，与人类偏好一致率 85.3%。论文：https://arxiv.org/abs/2609.15387
7 大权威镜像天梯跑分与 29+ 款主流编程套餐横向比价测算
联动天梯榜跑分、独家套餐赠金与 IDE 定制规则
LMArena 公布 Muse Spark 1.3（Max）在 Agent Arena 升至第 13 名，基于逾 8700 次真实智能体会话净提升 +4.2%；相对 1.2（xHigh）的第 30 名上升 17 位。编码、工作与聊天分榜均改善，其中 Code 升至第 15（+4.3%）。
腾讯混元团队（Tencent Hunyuan，@TencentGlobal）联合复旦大学 NLP 实验室（黄萱菁、张奇团队）正式开源了面向前沿 AI 系统的科学自主探索评测基准 ExplorationBench（arXiv: 2609.30199，项目主页: explorationbench.com）。面对现有模型在传统科学考题中仅仅依赖海量预训练数据的“死记硬背”、难以判定其是否具备真正科学探索与假设验证能力的行业难题，团队开创性构建了由 AlienCode 与 AlienLogic 两大交互沙箱组成的“可验证外星世界（Alien Worlds）”。沙箱底层运行与人类现实常识截然冲突的确定性新物理/代码法则，系统必须自主提出假说、设计实验调用工具并闭环验证真伪。
@ArtificialAnlys 发布 AA-Briefcase 评测：Grok 4.7 仅次于 Anthropic 模型，排在 Opus 5 之后且每任务成本约为其一半。相对 Grok 4.6，公开尽调场景 AA-Briefcase-Lite 上 Analytical Quality Elo 从 1698 升至 1994，Presentation Elo 从 1531 略降至 1499；示例 deck API 成本约 Grok 4.7 (xhigh) $8 vs Grok 4.6 (xhigh) $4.40。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察