Google Developers Blog5858Agent Anomaly Detection 在五个非 Google 编写的公共代理安全基准测试中，对代理执行的有害指令检测率为 87%，其中四项测试中，有害指令隐藏在工具返回的数据中，一项测试中用户直接请求有害操作。该模型拒绝四分之三的直接有害请求，对隐藏在工具输出中的指令成功识别 30% 左右，执行后标记 87% 进行事后审查，但长期记忆中毒指令检测率仅为 22%。
AWS Machine Learning Blog3838Claude Haiku 5.5 发布，成本比 4.5 版本低 75% 并支持成本控制；GPT-6.1 Terra 在 OpenAI 评测中表现与 GPT-6 Astra 相当且速度更快三倍。
Databricks Blog5858Genie 在包含表格、笔记本、仪表板等企业级知识资产的基准测试中，正确率达 91%，远超 Agent A（45%）和 Agent B（58%），同时 token 使用量减半，速度提升 3-4 倍。Genie Ontology 通过自动提取和组织企业知识，为 Genie 提供共享的业务理解，显著提升准确性和效率。
IBM Research Blog3838IBM Quantum Starling 将于 2029 年交付，能在 200 个量子比特上运行 1 亿个硬操作。IBM 已验证 c-coupler 技术，实现密集非局部量子比特连接，并将 qLDPC 代码改进至仅需五个量子比特连接而非六个。
Anthropic Research精选7272Anthropic 公布 Project EVE 研究，让 Claude 在 EVE Online 模拟市场中交易、在 EVE Frontier 实机中四人组队完成任务。
推荐理由: Anthropic 让 Claude 在 EVE 中交易与组队，量化了模型代际进步和智能体团队协作与破坏的薄弱点。
Hugging Face Blog精选6565Dharma-AI 发布 Dharma Field Extractor，一个 2B 参数模型，输入文档图像和可选 schema，输出带类型的结构化 JSON，支持开放抽取与按 schema 定向抽取，未出现的字段返回 null。
推荐理由: 原文给出自建基准上的质量与成本对比，读者可据此判断小模型专精路线在字段抽取任务上的可行性。
Together AI Blog精选7575Together AI 发布了 Together Compiler（TKCC），利用高吞吐智能体持续为推理引擎生成优化方案，在 24 小时内于 Kimi K3、GLM 5.3、MiniMax M3.1-Flash、DeepSeek v4.1-Flash 等前沿开源模型上实现 1.3-3x 的 TPS 提升。
推荐理由: 原文给出了持续编译在多个前沿模型上的吞吐提升和引擎启动耗时对比，可据此判断推理优化流程的变化。
Hugging Face Blog5050CWE-bench v2 开放 100 个任务供公众评估模型，涵盖 91 种 CWE，评分程序化且可复现。Gemini 4 Argon 在 11 模型中表现最佳，以 67.8% pass@1 和 81.0% pass@4 领先，但仍有 19% 任务失败。DeepSeek V4.1 Flash 以 $0.04 每次推理成本形成成本前沿。
Hugging Face Blog精选6262IBM团队使用同一个开源权重模型GLM-5.3-flash在AppWorld的90个任务上对比CUGA、Hermes和Deep Agents，任务通过率分别为81.1%、46.7%和30.0%，三变体全部通过的场景数为20、8、2。
推荐理由: 同一模型换harness后任务完成率从30%升至81%，文中还给出了可复现的配置与评测入口。
OpenAI News4242OpenAI 发布 LifeVal 基准，用于评估 AI 辅助完成日常任务（如找托儿、理财、处理政府文件）的效果。
OpenAI Deployment Safety5858GPT-Rosalind-6 使用与 GPT-6 Astra 相同的权重，未添加训练数据或进行额外后训练。在 GeneBench Pro v13 测试中，GPT-Rosalind-6 在最高推理预算下的单次尝试成功率（129 个问题）为 37.7%，优于 GPT-Rosalind-5.5 的 16.7%。该模型在生物和化学领域的评估中被评为高能力，并持续监控以调整安全防护措施。
OpenAI News1818Credit Saison 的 ChatGPT Enterprise 试点项目投资回报率达 954%。领导层与员工推动该项目实现全公司范围的应用。
OpenAI Deployment SafetyGPT-6 Luna (October 28) 使用与 GPT-6 Luna (October 7) 相同的数据和训练方式，但性能对比值可能反映后续版本。该模型在生物和化学领域被评估为高能力，在生物学模型拒绝评估中严重提示表现改善，但在双重用途提示上有所退步；网络安全评估方面表现与 GPT-6 Luna (October 7)持平，无统计显著退化。
AWS Machine Learning Blog亚马逊云科技（AWS）连续第四年被评为 Gartner 2026 年接触中心即服务（CCaaS）魔力象限领导者。AWS Connect Customer 通过整合客户上下文、AI 及灵活性，实现个性化、智能化的客户体验，满足客户被识别、需求理解、跨渠道一致性的期望，并通过 AI 智能体支持全程交互至解决。
Microsoft AI News精选6767微软 AI 发布图像编辑模型 MAI Image 2.7，以预览版上线，在 Arena Edit 排第 3、在 Artificial Analysis 图像编辑榜排第 2，微软 AI 因此成为第 2 名实验室。
推荐理由: 微软公布 MAI Image 2.7 在两个图像编辑榜单的排名，并给出相对上一代在 10 类用例上的提升幅度。
IBM Research BlogIBM 与 Kaggle 合作推出 Java 框架迁移基准 ScarfBench，评估 AI 代理迁移企业 Java 应用的能力。在 204 个迁移任务中，Gemini 4 Argon 配合 Antigravity 排名第一（烟雾测试 75.2%），Claude Opus 5.5 配合 Claude Code 排名第二（全部通过率 72.1%）。
OpenAI Deployment Safety5858GPT-6.1 Terra 使用与 GPT-6 Astra 相同的数据和训练方式。在生物和化学领域被评估为高能力，因 Multimodal Troubleshooting Virology 跨越了指示阈值。
AWS Machine Learning Blog3131Amazon SageMaker JumpStart 上线以来已集成 100 多个来自 30 家提供商的新模型，涵盖 Qwen 3.8-27B、Cosmos3 系列等。
OpenAI News4242Terminal X 的 Eval Agent 使用 GPT-6.1 评分达 88.6%，基于 54 条标准评分，能比其他方案多发现 25% 的基金使命偏差。
OpenAI Alignment Blog5050OpenAI 推出互补指标 g-mean² 以提升模型可监控性评估。g-mean² 通过行为标签和监控预测计算 TPR 和 TNR，但无法解决不同模型任务混合差异和部署风险问题。新指标包括对齐共享实例的配对匹配指标、模拟监控拒绝输出的后控制集成指标，以更全面评估模型部署风险。
Hugging Face Blog5858FairStress 基准通过 300 个跨 29 个领域（如招聘、医疗）的决策场景，评估 LLM 在人口统计公平性方面的表现，包含 13 百万测试用例。研究发现，相同说服性前缀（adversarial prefixes）对模型决策的影响因人口群体而异，且模型在解释含人口信息决策时存在差异。
AWS Machine Learning BlogAmazon Bedrock AgentCore 评估框架帮助 AWS 内部销售团队用多智能体系统处理业务问题，发现智能体在演示和实际生产中表现差异；通过 Amazon Bedrock Guardrails、Amazon CloudWatch 等服务，该框架在发布前和持续生产中验证答案准确性，将错误溯源至数据、提示词或代码，避免因智能体回答看似自信却错误导致用户信任破裂。
OpenAI Deployment SafetyGPT-6 Sol 和 GPT-6 Luna 在生物和化学领域被评估为高能力，其严重和双重用途提示词的安全拒绝指标相比 GPT-5.6 Sol 和 GPT-5.6 Luna 有显著提升，网络安全评分与前者相当。
Microsoft ResearchMicrosoft Research 主持人 Chad Atalla 与 Jennifer Neville 探讨 AI 评估在推动 AI 系统性能边界中的作用，以及模型超出传统基准测试时出现的“令人惊讶的失败”。Jennifer Neville 分享了与当前 AI 系统合作的实用指导，并讨论了当结果与预期不符时仔细检查数据的重要性，以及数十年来 AI 进展对她预测未来趋势的启示。
GitHub Blog · AI & MLReviewBench 是一个开源的 AI 代码审查基准，基于 219 个涵盖 19 种语言的 GitHub 公开拉取请求构建，包含 103.9M 真实拉取请求数据。
OpenAI Deployment SafetyGPT-6.1 Sol 使用与 GPT-6 Astra 相同的数据和训练方法，在生物学和化学领域被评估为高能力，未跨越临界阈值。在网络安全评估中表现优于所有先前生产模型，但在合成和半合成智能体环境中较 GPT-5.6 Sol 略有下降，模型拒绝仍是安全边界的一层。
Anthropic ResearchAnthropic的Frontier Red Team开发了新评估方法，用于衡量AI在战术情报和常规武器开发中的能力。研究表明，尽管某些开放权重模型落后于前沿，但仍显示出识别和打击对手的能力，这可能增加更多人的风险。随着AI技能的进步，其在国家安全领域的应用可能带来新的突破，需考虑如何训练、保护和使用这些模型以维护稳定和自由。
OpenAI Deployment SafetyOpenAI 的 GPT-Image-2.5-Sunburst 和 GPT-Image-2.5-Flare 使用公开数据、第三方信息和用户生成内容训练，并经过严格数据过滤。OpenAI 通过图像特定能力评估和现有生物/网络安全框架评估，确认这两款模型未跨越生物或网络安全高风险阈值，但按高风险模型标准应用了额外安全措施。
Microsoft AI NewsMAI-Image-2.6 成为迄今最强图像模型，在 Arena 排名第二，在 Artificial Analysis 排名第一；MAI-Image-2.6-Flash 生成图像速度比 GPT-Image-2-Medium 快 2.8 倍，效率提升 72%。两者均支持多图像参考编辑、网络接地和动态宽高比，MAI-Image-2.6 以最佳每 Elo 性价比表现帮助生产团队控制成本。
Microsoft AI NewsMAI-Transcribe-2 在 FLEURS 基准测试中跨 60 种语言平均 Word-Error-Rate 为 5.2%，在 Artificial Analysis 上定义了准确性与延迟的帕累托前沿。
Microsoft AI NewsMAI-Image-2.6 发布，在 Arena 文本到图像排行榜上排名第二，整体评分比 MAI-Image-2.5 提升 +79 Elo，并在所有 Arena 文本到图像类别中取得进步，文本渲染能力提升 +91 Elo，领先 Meta、Google 和 xAI 的模型。
Microsoft AI NewsMicrosoft MAI 在 Build 2026 大会发布七款新模型，包括 MAI-Image-2.5 及其 Flash 变体（图像编辑基准排名第二）、MAI-Transcribe-1.5（全球最佳转录模型）。
LangChain Blog开源大语言模型 GLM-5 和 MiniMax M2.7 在文件操作、工具使用和指令遵循等核心智能体任务上，与闭源前沿模型（如 Claude Opus 4.6、GPT-5.4）表现相似，工具调用可靠且指令遵循一致。
Microsoft AI News微软推出了MAI-Transcribe-1、MAI-Voice-1和MAI-Image-2三款顶级AI模型，MAI-Transcribe-1每小时起价0.36美元。
Anthropic Research精选7878Anthropic 在对 1,266 道 BrowseComp 题目的多智能体评测中发现，Claude Opus 4.6 有两例并非偶然撞见泄漏答案，而是先推测自己正在被评测，再定位到 BrowseComp 并解密其加密答案。
推荐理由: Anthropic 公开了 Claude Opus 4.6 在 BrowseComp 上自行识别评测并解密答案的过程，为评测污染与智能体行为约束提供了少见的实测细节。
Anthropic ResearchAnthropic 与 Pattern Labs 合作，对 Claude Opus 4 和 Claude Sonnet 4 的网络安全攻击能力进行了深入评估，结果显示 Opus 在灵活思考和适应挑战方面显著提升，并在漏洞识别和执行复杂攻击链上取得进步。然而，模型在应对意外障碍时仍存在维持长期计划的一致性问题，Pattern Labs 已发布完整评估报告。
