中文大模型測評榜出爐:Gemini 居總榜首位,Kimi 排國內第一
SuperCLUE公佈的2026年11月通用大模型測評中,Gemini-4-Argon以73.62分居總榜首位,Kimi-K3.1-Pro以61.46分排名國內模型第一。共有19個模型參與測評,涵蓋五大任務;Kimi-K3.1-Pro也是本次得分最高的開源模型。
SuperCLUE公佈的2026年11月通用大模型測評中,Gemini-4-Argon以73.62分居總榜首位,Kimi-K3.1-Pro以61.46分排名國內模型第一。共有19個模型參與測評,涵蓋五大任務;Kimi-K3.1-Pro也是本次得分最高的開源模型。
xbill 在單張 Cloud TPU v5e 上實測 Gemma 4 E2B 的 JAX、Rust 與 vLLM 服務方案,並比較 bf16 和 4-bit 推理表現。
NexoPeek 將 voxel 式縮放帶入蛋白質結構探索,讓用戶在 Meta Quest 上以互動 3D 場景查看和操作蛋白質模型。應用程式提供 12 個以真實 PDB 結構為基礎的導覽,並支援多來源結構搜尋及本機檔案載入。文中測試的離線口袋預測與晶體學確定的結合口袋重合 96%,RMSD 約 0.8 Å。
Tbibia 作者以合成病人資料測試牙科病歷摘要,發現模型沒有服從 30 條提示注入指令,但本機備援摘要曾把注入內容當作臨牀「下一步」展示給牙醫。
北韓很可能是涉款 63 億美元加密資產黑客事件的幕後黑手,該案被稱為史上最大劫案。幣安凍結約 30 億美元,並表示會全額補償。文章亦介紹 Meta Quest 專用分子實驗室 NexoPeek,展示如何透過空間操作檢視分子結構。
NexoPeek 為 Meta Quest 提供可步入探索的蛋白質結構分析體驗,讓用戶在 VR 中查看結合口袋、配體及構象變化。平台設有 12 個導覽行程,涵蓋 6 個主題,並提供 PDB 搜尋、口袋預測、結構比對及手部追蹤距離測量等工具。產品並非醫療器械,分析輔助功能不能取代經驗證的流程。
作者修正先前的智能體循環實驗,以 Haiku 4.5 測試一項包含 10 項互相關聯要求的編碼任務;單一提示詞五次僅一次通過可見測試,簡單循環則五次全數通過。單一提示詞的隱藏測試平均通過 1.4 項,循環為 8.0 項。不過,循環方案沒有任何一次通過全部 12 項隱藏測試,提示詞中未由測試檢查的要求仍會漏做。
作者以 Whisper large v3 turbo 對同一段 60.01 秒 MP4 進行 27 次轉錄,得到 15 種原始文本;將文本轉為小寫、移除標點和連字號,再把 some one 合併為 someone 後,26 次結果相同,均為 213 詞。
Garuda 作者為 0.18 重建評測流程,以重複執行、10 項保留任務和配對區間比較 Garuda 與 Claude Code,並另測試 Graphify MCP 及調整後提示詞。
在相同程式、任務和提示詞下,Qwen2.5-3B 與 Qwen2.5-7B 呈現不同的智能體工具使用行為。6 條 Qwen2.5-3B 追蹤平均各有 2 個 spans,沒有工具呼叫;約 500 條 Qwen2.5-7B 追蹤平均有 5.8 個 spans,並使用工具。實驗以 AgentPulse 記錄追蹤中繼資料,指出追蹤形狀可用來辨識模型的行為差異。
Ideogram Blog 比較 7 款面向包裝、零售及 CPG 創意工作的 AI 工具,按適用場景、輸出與交付方式,以及定價模式整理差異。文章以 Ideogram 4.5 製作 LUMA 氣泡水包裝概念,檢視標籤文字在配色、場景及材質修改後的可讀性。文中亦提醒,生成圖需與核准包裝稿、印前流程及實際交付檔案核對,不能取代正式生產稿。
Ideogram 比較 Ideogram、Adobe Firefly、Getty Images、Bria、OpenAI 和 Google Cloud 六個平台的商用圖像授權與知識產權保障。文章提醒,商用使用許可不等於享有版權、作品具獨有性或獲得賠償保障,保障範圍須按合約、模型及使用途徑核實。文中亦整理簽約前應核實的素材權利、數據控制、企業權限及 API 承諾,並列出發布 AI 圖像前應保留的記錄。
Ideogram Blog 整理 8 款 iPhone AI 圖像生成 App,按原創生成、對話式修改、照片編輯、設計排版及本機生成等用途介紹其特點。文章列出免費方案、起始付費價格及相容要求,價格採用美國 App Store 資料。作者在 iPhone 實測 Ideogram 的海報生成、改字和換背景,其他 7 款則根據官方 App Store 資料及説明頁整理。
Ideogram Blog 橫向比較 8 款 AI 圖像放大工具,整理各工具的適用用途、最高放大或輸出規格及存取方式。文章以 Ideogram 4.5 生成的 1024 × 1024 貓像作測試素材,檢查眼睛、鬍鬚、耳毛、項圈織紋及胸毛等細節,並比較輸出尺寸與影像變化。文中亦按相片、插畫及文字用途説明工具選擇,並提醒放大可能改變細節,應檢查最終尺寸下的線條、紋理和色彩。
CodeRabbit 以程式碼審查工作流程提供摘要、逐行評論及修正建議;Tomosu 則以 Production Reliability Index(PRI)評估整個程式碼庫及每項變更,協助用戶判斷哪些 PR 需要仔細審查。
The Verge 資深評測編輯 Victoria Song 試用 Amazon Bee Frontier 近一個月,發現其對話轉錄和摘要多次出現偏差,令她開始懷疑自己的記憶。Grow 根據對話內容,對她的興趣和政治態度作出與其自我認知不符的評價,並提出待辦建議。她的治療師認為,這類裝置可能削弱使用者對自身判斷的信任,並令她更容易反覆思索、陷入情緒漩渦和追求完美。
新浪科技實測 iOS 27.3 開發者測試版中的中國內地版 Apple Intelligence,認為 Siri 處理複雜任務仍有限,照片消除和即時翻譯則較有亮點。日常口語即時翻譯延遲不到 1 秒;視覺智能搜尋亦列出得物和 Guitar Wiz 等已安裝 App 作為搜尋服務。文章認為,現有功能主要為既有應用提供 AI 輔助,尚未令手機交互方式出現根本改變。
作者在 RTX Spark 使用體驗中指出,平台仍未成熟,本地 AI 複雜、緩慢,而且難以滿足大多數用戶的需求,價格亦高昂。RTX Spark 電腦的硬件屬高端且品質出眾,HP、Lenovo 和 ASUS 的筆電設計亦各有特色。
TechCrunch 作者 Sarah Perez 試用 Apple Watch 的 Siri Recaps,發現它能記下日常對話中的重要資訊,但持續聆聽也令人不安。
CloudOpsBench 這項新開源基準測試顯示,推理是 AI 智能體處理雲端運維任務的主要瓶頸;版本 1.0 涵蓋 AWS 上 45 項由資深 DevOps 工程師設計的任務,沒有模型全部完成。
Anthropic 尚未正式發布的下一代旗艦模型 Claude Fable 5.5,據稱以程式碼生成一段 66 秒動畫,過程約耗時 2 小時 40 分鐘。開發者稱,測試沒有使用圖像或影片生成工具,動畫、配樂及音效均由模型編寫的程式碼生成,最後封裝成 HTML 檔案。
Nvidia RTX Spark 筆電在原生 Linux 插電運行 GPT-OSS-120B 時,速度為 13.9 tokens per second,低於 Windows 的 65.4。
HUAWEI WATCH Ultimate 2 非凡探索整合戶外探險、安全防護、通信、健康監測與續航功能,文章分析其戶外表現、目標用戶及選購建議。手錶支援北斗衞星語音消息,單次可發送10秒語音;全能模式續航4.5天,省電模式續航7天。售價區間為6499元至7999元,北斗衞星語音消息僅限中國大陸地區(不含港澳台地區)銷售版本支持。
HUAWEI WATCH Ultimate 2 支援六大滑雪模式、全球 3000+ 雪場地圖,以及轉彎檢測和 G-Force 數據記錄,涵蓋雪場滑行到滑雪登山場景。手錶配備 1.5 英寸 LTPO2.0 高亮屏,峯值亮度 3500 尼特;全能模式續航 4.5 天,省電模式續航 7 天。售價為 6499 元至 7999 元,北斗衞星語音消息僅限中國大陸地區(不含港澳台地區)銷售版本支援。
Anthropic 尚未發布的 Claude Fable 5.5 據稱連續自主編寫及運行程式約 2 小時 40 分鐘,生成一段 66 秒動畫。測試者稱,過程沒有使用圖像或影片生成工具,配樂及音效亦由程式生成,成品封裝為 HTML 文件。相關測試缺乏統一評測環境,Anthropic 尚未確認模型的發布時間、性能指標及開放範圍。
Nolan Lawson以Claude Code Agent在12種JavaScript框架上建立Pokémon網頁應用,比較建置成本、可維護性及終端用戶效能。五次沙盒測試中,Hono配合htmx的每個應用成本中位數最低,為$2.67;Astro為$2.76,Nuxt為$2.82,三者差異在誤差範圍內。整體而言,Agent在伺服器端框架上通常更有效率,也較善用重視慣例、API穩定及簡潔度的框架。
作者以五組提示詞對照測試 GPT Image 2.5 的 Flare 與 Sunburst,發現兩者並非品質高低之分,而是分別適合處理光線與文字、介面或版面配置。
TokenCap 以 100 個真實程式碼提交建立基準測試,同時衡量任務所需檔案召回率與 token 用量。結果顯示,所需檔案召回率為 87%,平均每項任務使用 9,997 個 token;相較讀取所有匹配檔案,token 中位數節省 18.9 倍。測試不衡量答案質素,亦沒有呼叫模型。
HUAWEI WATCH Ultimate 2 非凡探索整合非晶鋯合金表殼、專業運動與健康管理功能,以及 eSIM 獨立通話和衞星消息,評測探討其是否值得作為高端之選。產品售價為6499元至7999元,全能模式續航可達4.5天;北斗衞星語音消息僅限中國大陸地區(不含港澳台地區)銷售版本支援。
霞光社以相同任務實測靈光2.0、Today AI和Alice,從應用連接、任務執行、長期記憶、主動服務和互動體驗五方面比較三款個人 Agent。靈光2.0偏工具型,但執行受接口和權限限制;Today AI兼具工具與陪伴,並在鬧鐘任務出現問題時改用日曆提醒;Alice則以角色互動和陪伴見長,跨應用執行較弱。文章認為,在應用權限、任務執行和長期記憶尚未成熟前,個人 Agent 未必是大多數人的剛需。
Hanako H. 比較 YouTube 上甘迺迪 1962 年萊斯大學演説的人手編寫字幕與自動字幕,發現兩者約有 95% 的語音內容一致。自動字幕把人名和數字辨錯,漏掉一段 28 個詞的內容,並將名句切成重疊字幕行,令引用時間戳可能早約 3 秒。有人工字幕時,作者建議優先使用;只有自動字幕時,應把它當作搜尋索引,回聽音訊核對引文,並另查人名與數字。
天數智芯在2026媒體開放日展示天垓300真機實測;第三方今年7月的測試數據顯示,在典型PD分離部署下,其單卡整體端到端吞吐達某國際頂尖GPU的1.05倍。天垓300 IXL144超節點在單個標準機櫃內集成144顆GPU及約10.1TB顯存,每百萬有效Token成本據測算較國際主流方案降低約40%。
Browser Use 比較了 Browser Use 與 Kernel 的雲端瀏覽器服務,指出兩者在定價、工作階段管理及執行方式上各有差異。
華為雲智果 AgentArts 智能體平台首個通過中國信通院可信 AI 企業級智能體平台評估,並獲當前最高等級 4+ 級。評估依據《企業級智能體技術要求》,考察平台的技術、應用及服務能力。平台支援多種框架和模型,並提供低代碼智能體編排能力。
作者以 9 款大語言模型進行博士論文工作流程的 11 項任務基準測試,並提出按任務分配模型的建議。在約 5000 詞的論文長文問答中,Kimi K3.1 Pro 的 10 道事實題全部答對;Claude Opus 5.5 生成的英文摘要為 247 詞,涵蓋全部 10 個要點。
HomePod Mini 2 外形與前代相同,但測試發現音域更廣、聲音更響亮清晰,音質提升足以改變對這款小型揚聲器的評價。新機配備 Apple S10 晶片及額外一個咪高峯,支援即將推出的 Siri AI 功能。售價為 $150,較舊款的 $129 高;完整 Siri AI 功能仍需等待。
IT之家實測 Apple 智能中國內地版,並稱千問在其中擔當重要角色。
文章測試阿里雲百煉 CLI 的説話人分離轉寫,發現標籤數與實際人數沒有穩定對應,逐行標籤亦可能因停頓切行造成錯誤歸屬。建議以自我介紹或點名句建立標籤與姓名的映射,並抽查承諾、數字及爭議句,以簽到或邀請核實與會人數。測試使用八組合成語音,文中指出生產接入仍須以企業自採真實錄音驗收,且轉寫不保證逐字。
作者的開源 KYNEX harness 以 GPT-5.4 在 LlamaIndex ExtractBench(370 份文件、4,869 頁)取得 92.97 F1,於 53 個系統中排名第 12,分數高於 GPT-6 Astra 和 Claude Code(Opus);結果由 LlamaIndex 團隊獨立重跑核實。
Nvidia DGX Spark 的加密韌體令其在 Linux 上的推理速度降至原有速度的 35%。