Elorian 用 DecoyCount 基准测试前沿模型的视觉推理能力
Elorian 联合 Mercor 发布 DecoyCount 基准，测试语言模型是真正数物体还是依赖视觉捷径，前沿模型准确率均低于 50%，最高的 GPT-6 Astra 为 43.17%。
#评测/基准
Latent SpaceAI 评分4949
The DecoderAI 评分7171 Mistral 发布万亿参数模型 Large 4（Le Chonk）并开放权重
Mistral 在公开预览三周后，将 Mistral Large 4 的权重发布到 Hugging Face，该模型代号 Le Chonk，总参数约一万亿、每步激活 520 亿，支持文本与图像输入。
Latent Space精选AI 评分8282 Gemini 4 Carbon 登顶多项榜单，首批仅向网络安全防御方开放
Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon，称其在网络安全与长周期任务上达到 SOTA，并以 88.2% 的 SEC-bench Pro 漏洞发现成绩作为主打数据。
推荐理由：汇总 Gemini 4 Carbon 在多个独立榜单与安全指标上的表现，并列出访问限制与定价差异。
The Decoder同事件AI 评分8888 Google DeepMind 发布 Gemini 4 Carbon，距 Argon 仅两周
Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon，该模型在 Artificial Analysis Intelligence Index v5.0 上以 59 分登顶，前代 Argon 为 50 分。
同一件事，精选收录的是《Google DeepMind 发布 Gemini 4 Carbon 前沿模型》
Microsoft ResearchAI 评分3131 微软研究院播客：AI 会犯哪些错，失败能教我们什么
微软研究院播客中，partner research manager Jennifer Neville 与首席应用科学家 Chad Atalla 讨论评估如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“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，分享使用当前 AI 系统的实用建议，并强调结果反常时细查数据的重要性。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布代码审查离线基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布特征，构建了覆盖 19 种语言、219 个公开 PR 的评测集。