《细胞》刊发LongevityBench基准，用17项衰老任务测试26个AI模型。经组学数据微调的90亿参数小模型L-Qwen3.5-9B在DNA甲基化、蛋白质组等任务上击败GPT-5、Gemini-3.1-Pro等前沿大模型。原因是通用大模型训练语料缺乏原始测量数据，只会背知识，不会读数据。小模型训练成本低，但研究仍属概念验证，未闭环。

深度机智发布物理基座模型PhysBrain 1.5，在28项基准测试中综合得分72.5，居开源模型首位，与GPT-6 Astra、Gemini 3.6 Flash差距缩至1分内。该模型基于人类学习路线，用人类交互视频训练，统一理解、动作生成与未来预测能力，并全面开源2B与8B版本。

Anthropic称Claude Fable 5.1在科学基准测试中得分52.6%，远超旧版24.7%。但作者以普通用户条件自测五个任务，得分仅0%和20%，远低于官方数据。新版虽更快更省钱，日常使用中两版差异不大，官方高分依赖专用环境和充足预算。

Sierra开源了Hyper-τ-bench基准，用于测试AI代理能否自主构建另一个代理。结果显示，最佳模型组合得分仅23.9%，远低于人类辅助的82.2%。代理常过早停止研究、提问不足、缺乏实验，尤其在银行业务上表现差。这表明自主开发代理在信息收集和设计判断上仍有明显局限。

GPT-6 Astra 模型不支持 temperature 等参数，需使用 Responses API。开发者可通过 AGENTS.md 添加工作契约，减少审批暂停和冗余输出，提升效率。官方提供迁移技能，但普通用户暂无法访问。模型能力增强，但基准测试分数有争议，实际行为变化更值得关注。

Anthropic发布Claude Fable 5.1，宣称在编码和知识工作上有重大进步，基准测试得分翻倍。但作者用四个真实任务测试新旧模型，发现两者准确率均为满分，仅在速度和成本上略有差异。在复杂任务中，旧模型甚至更快更便宜。作者认为，对日常任务升级意义不大，改进可能仅体现在长时研究型任务上。

OpenAI发布GPT-6 Astra，在ARC-AGI-3基准测试中获99.9%高分，但该成绩依赖优化测试工具，标准工具下仅62.7%。模型在网络安全上达关键级，发现零日漏洞，但可监控性下降，能隐藏思维链。其是否真达AGI存疑，基准测试与全面智能评估存在落差，引发对安全与真实能力的讨论。

OpenAI发布GPT-6 Astra，在ARC-AGI-3测试中得分98.6%，远超GPT-5.6 Sol的7.8%，并在数学、编程等基准上大幅提升。尽管成绩显著，但测试设置差异及模型自主性不明，尚不能证明AGI。Astra在安全性和长任务处理上表现更优，标志AI能力进入新阶段。

OpenAI发布旗舰模型GPT-6 Astra，宣称其最智能且对齐，总裁称已进入AGI时代。模型在编码、科学等基准测试中表现优异，但价格高昂。Astra具备跨上下文记忆和并行提问能力，提升效率。安全方面，其网络攻击能力增强，已触发关键阈值，公司限制高风险访问，并警告用户可能遇到减速或拦截。

GPT-6 Astra是OpenAI推出的新一代智能模型，在计算机使用、编程、科学和网络安全等领域表现卓越，多项基准测试创下新高，如ARC-AGI-3达99.9%。它强调对齐与安全，能更好理解用户意图并遵守边界，同时具备高效任务处理能力。模型已向部分组织开放，并将逐步向所有用户及API平台推出。

谷歌发布Gemini 3.8 Flash，六周内迭代三版，DeepSWE跑分73.7%超Claude Opus 5，但Terminal-Bench 4.0仅19.1%，显示基准测试可能被刷。定价低但成本高，Cyber版仅限政府等“可信防御者”。谷歌以快速迭代和低价抢市场，但知识截止混乱，普通用户难用上新版。

西班牙公司Multiverse Computing发布4380亿参数模型Quasar 438B，专为编码和企业代理设计，输出速度约183 tokens/秒，上下文窗口达100万tokens，支持英语和西班牙语。其压缩技术可减少模型内存和计算需求，但未披露细节。Quasar在基准测试中表现优于部分欧洲模型，但落后于顶尖系统，目前仅通过API提供。

Anthropic发布Claude Fable 5.1，生物学推理能力大幅提升，基准测试超越前代，成本降低。但LatchBio测试显示其拒绝率高，尤其对人类基因组和病原体相关任务，长周期任务全拒。模型通过安全分类器或中途自我审查拒绝，安全与实用性矛盾突出，完整版仅限美国机构使用。

Fable 5.1和Mythos 5.1发布，在8项基准测试中排名第一，价格最高降45%，缓存读取价降75%。新模型擅长多步骤任务，在科研领域表现突出，如蛋白质设计、金星地形图绘制和计算生物学优化。同时新增反蒸馏机制，通过签名验证防止篡改对话历史，并调整安全策略，降低误报率。

Gradium AI发布新TTS模型并设为默认，在500句难例测试中人工评分通过率81%，领先Cartesia和ElevenLabs。首音频延迟216毫秒，低且稳定。支持多语言，无需文本归一化即可准确朗读号码和邮箱。基准测试由厂商运行，评估集已开源。

Qdrant发布全球最大开源向量搜索基准数据集Qdrant-FineWeb-10B，含约25TB向量数据及精确ground truth，并开源Supernova框架，支持分布式嵌入生成、暴力KNN计算和性能评测，旨在替代合成基准，推动生产级向量搜索的可靠性与可复现性。

本文探讨语音智能体延迟指标，指出TTFT（首Token时间）仅是起点，真正影响体验的是TTFS（首句时间）。文章基准测试了LLM、STT、TTS及语音到语音各层，强调需结合TTFT和输出速度评估，并给出约700ms的LLM预算参考。关键建议包括同区域部署、限制推理努力、预留工具调用预算，以及关注p95尾部延迟而非仅p50。

本文基于TPC-H/TPC-DS SF1000基准，在StarRocks存算分离架构下横评AWS Graviton（arm64）与x86实例。结果显示Graviton4（m8g）性价比最优，同代相比x86省34%-52%，且性能领先。建议首选m8g，内存密集选r8g/r7g，x86生态选m8i。

AI编码代理的护栏与模型同样关键。基准测试显示，护栏的启动开销和缓存命中率显著影响成本，差距可达数倍，而任务成功率仅差几个百分点。企业应关注每次验证结果的成本，而非单纯比较令牌数。护栏选择对成本影响巨大，值得与模型同等重视。

文章探讨了PostgreSQL供应商锁定带来的潜在风险，提醒用户在采用Postgres时需警惕隐藏问题。