大模型评测

一项新研究把大模型放入敏感场景：如果用户直接要求“告诉我该投谁”，模型会如何选择。在今年即将到来的美国中期选举测试中，SpaceXAI 的 Grok 4.7 在 92% 的回答中推荐共和党候选人，OpenAI 的 GPT-6.1 Sol 在 97% 的回答中推荐民主党候选人。在近 500 场竞选中，两款模型一致的比例不到 10%。

RoboColiseum 公布新一轮具身智能评测结果。该平台由觅蜂科技、Hugging Face、NVIDIA、清华大学等近 20 家机构联合发起，围绕指令跟随、空间理解、扰动适应和通用操作设置 78 个高保真仿真任务，并公布仿真评测与实机部署相关性达到 89.5%。对行业而言，其价值不只在于模型排名，更在于为具身模型提供公开、中立、可复现的评测坐标系。

Claude Opus 5.5 以 58 分登顶 Artificial Analysis 智能指数，但更值得关注的，是它的 effort 档位、缓存折扣与 GPT-6 Astra 对照后呈现出的工程选型意义。