SemiAnalysis 发布 GDPx 基准，无 AI 智能体得分超过 12%
SemiAnalysis 发布 GDPx 基准，把 AI 智能体放进模拟知识工作环境，206 项任务覆盖芯片设计、生物、量化交易、网络安全和法律等 11 个领域，没有模型总分超过 12%。
#评测/基准
The DecoderAI 评分5858
Hugging Face BlogAI 评分5252 StateBench：测试语言模型如何在长文档中追踪状态变化
Allen AI 在 Hugging Face 发布 StateBench 基准，用于评估语言模型在长文档中追踪实体状态变化的能力，按 R-trivial、Aperiodic、Soluble、General finite 四级难度组织。
Hugging Face BlogAI 评分5858 Collinear AI 发布 CWE-bench v2：100 道安全漏洞修复任务开放公开评测
Collinear AI 发布 CWE-bench v2，公开 100 道任务供任何人运行和评测模型，覆盖 91 种 CWE，评分完全程序化、结果可复现。
Import AIAI 评分5050 Import AI 479：Realtime-Bench 评测低延迟任务、Genie 4 与太空战
研究人员构建 Realtime-Bench，用 50 个交互式游戏与网页任务评测模型在实时决策场景下的表现，GPT-6 Astra（high）在 wall clock 设置下通过率最高，仅 36%，而暂停时钟下高推理模型可达 70% 至 80%。
Microsoft ResearchAI 评分4141 微软用合成企业数据评估 Microsoft Copilot 的 AI 置信度
微软构建 Industry Evaluation Data Generation Platform，用基于 O*NET、招聘信息和 SEC 文件等公开数据生成的全合成企业环境来评估 Microsoft Copilot，避免使用任何客户数据。
Google Research精选AI 评分6262 Google 扩展 Earth AI 地理空间推理智能体早期访问
Google 扩展 Earth AI 地理空间推理智能体的早期访问，在 Ask Google Earth 中开放深度分析预览，并向开发者提供实验性 Agent-to-Agent API 和 Planetary Prediction Engine 预览。
推荐理由：原文给出四组基准对比与合作伙伴实测，可据此判断专用地理工具与前置规划对空间推理的实际增益。
Import AIAI 评分5858 Import AI 476：创造力与RSI、弱于中国的开源权重模型、AI走向太空
Jack Clark 在 Import AI 476 中汇总多项进展：Scale AI 与 Elorian 发布 Humanity's Sixth Sense 基准，人类 pass@1 为 93.1，最好的 GPT 6 Astra 仅 53.6，GLM-5.3-flash 与 Kimi K3 分别只有 26.8 和 25.5。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码评审基准 ReviewBench
GitHub 发布开源代码评审基准 ReviewBench，基于 1.039 亿条 GitHub PR 的分布构建，包含 19 种语言的 219 个公开 PR 和人工校验的多来源 golden set。