微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再依据终端后端状态和副作用而非模型生成的文字来判定任务成败。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定任务成败，并给出可复现的 OpenEnv 运行方式。
#评测/基准
Hugging Face Blog精选AI 评分7171
Latent SpaceAI 评分6262 AINews 汇总：GPT-6.1 Sol 与 Sonnet 5.5 重塑性价比前沿
Latent Space 的 AINews 汇总了 10 月 1 日至 2 日的 AI 动态：OpenAI 发布 GPT-6.1 Sol，定价为每百万输入/输出 token 2 美元和 10 美元，据称在 DeepSWE v1.1 上比 GPT-6 Sol 高 6.4 分，Agent Arena 以第 5 名进入，单任务中位成本 0.56 美元。
Latent Space精选AI 评分8080 Google DeepMind 发布 Gemini 4 Argon，支持 1M 输出 token
Google DeepMind 发布 Gemini 4 Argon，面向编码、企业知识工作与网络防御，先在 Fairwind 计划的政府用户和可信网络防御者中开放，之后才面向开发者、企业和消费者。
推荐理由：汇总了 Gemini 4 Argon 的基准、定价与内部部署数据，并附上外界对公布数字的质疑。
Latent Space精选AI 评分8888 OpenAI DevDay 2026 发布 Dots、GPT-6.1 Sol、Ultrafast 与 Decisions API
OpenAI 在 DevDay 2026 上发布 Dots 常驻智能体、GPT-6.1 Sol、Ultrafast 模式、Decisions API、ChatGPT Spaces 与 Marketplace，并称 ChatGPT 周活达 12 亿。
推荐理由：汇总 OpenAI DevDay 2026 的发布清单与独立评测数据，便于对照各家模型的价格与能力差异。
Hugging Face BlogAI 评分3838 Hugging Face 发布 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 推出 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
Simon WillisonAI 评分6262 Anthropic 红队：GLM-5.3 在 4% 试验中实现完整控制流劫持
Anthropic Frontier Red Team 在内部 Binary Exploitation benchmark 中随机抽取 100 个任务评测多个模型，GLM-5.3 在 4% 的试验中实现了完整控制流劫持，Claude Mythos Preview 为 6%。报告指出，此前的 Claude Opus 4.6 和 GLM-5.2 在这些任务中均未成功，说明一个有意义的能力阈值已被跨越。
Google ResearchAI 评分4141 Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 提出 ToolGrad，一种“答案优先”的工具调用数据集生成范式：先生成真实工具调用链，再反推对应用户提示，替代 ToolBench、ToolACE 等依赖 DFS 试错搜索的查询优先方案。
Mistral AI精选AI 评分7171 Mistral 发布 Agentic Search，用多步检索循环替代传统 RAG
Mistral 发布 Agentic Search，一种让模型在文档中搜索、打开、导航、读取和 grep 的多步检索层，通过 Mistral Search Toolkit 提供，并内置于 Studio 和 Vibe 的 Libraries 中。
推荐理由：原文给出多步检索循环在 FinanceBench 与 OfficeQA Pro 上的准确率、token 与延迟变化，可据此判断传统 RAG 的替代路径。
Import AIAI 评分3232 Import AI 469：科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 469 期介绍了新基准 DiG-bench，包含 70 款隐藏规则的游戏，用于测试 AI 通过探索发现环境规则的能力，Opus 5 和 Fable 5 配合 Claude Code 表现最佳，但仅在 Tier 7 任务上取得 0.2 的成功率。
Microsoft ResearchAI 评分3838 MindTopo 基准揭示 VLM 空间推理能力短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大语言模型的拓扑推理能力，覆盖连通性、分离、顺序、包围与打结五类关系，并分为静态推理与交互规划两个层级。测试显示，现有闭源与开源模型在静态识别上明显优于交互规划，且均远低于人类水平；失败多发生在规划阶段而非感知阶段，模型在场景变化中会丢失结构关系或提出违反物理约束的动作。图像与视频生成仅在单帧保留结构约束时才有帮助。