谷歌Gemini 4 Argon在18项基准测试中14项领先Claude Opus 5.5，且限时半价。作者实测三项任务：代码审查两者持平，Argon更便宜；规格测试因一行代码错误失败；长上下文测试中Argon推理错误严重、回答草率。结论：Argon虽便宜，但可靠性不足，不建议使用。

StackGres 团队使用开源 Citus 在 EKS 上进行基准测试，在单行主键读、无写入场景下，以 24 个 worker 和 48 个查询路由器实现 1000 万 TPS，p50 延迟约 1 毫秒。相比 PlanetScale 的 Neki，Citus 以不到一半的数据节点和约 65% 的 vCPU 达到同等吞吐，成本约为其五分之一。团队将公开复现代码。

Databricks 内部应用 Slide Hub 基于 Lakebase Postgres 实现混合搜索，结合向量检索与 BM25 关键词检索，无需独立搜索系统。基准测试显示：8 CU 以下时数据库为瓶颈，8 CU 以上时应用为瓶颈；缓存与索引比例决定命中率，接近 1.0 时延迟稳定。建议索引用 quality 模式、候选数设为 200，生产环境最小 0.5 CU 以避免冷启动。

ParadeDB 通过三项优化显著提升 COUNT 查询速度：按 ctid 分区段跳过可见性检查、反转 DocId 映射减少查找、对高频词用位图替代 BP128 编码。在过滤、排序等复杂查询上，ParadeDB 比 TIN 快 10 至 66 倍，因其将文本与元数据统一索引，可协同过滤和排序。作者强调基准测试取决于工作负载，建议用户自行测试。

AI智能体基准测试各有侧重：SWE-Bench测代码修复，GAIA测多工具推理，WebArena测网页操作，OSWorld测桌面任务。但榜单忽略成本、延迟、安全与错误恢复，且存在数据污染和自动评分偏差。应将其作为初筛信号，再结合自身业务构建私有评测，才能可靠判断智能体能否真正胜任生产任务。

本文对比标准向量RAG与三层Graph-RAG在事实密集型查询中的幻觉表现。作者用合成篮球数据构建基准：图数据库存真实数据，向量库存含矛盾数字的噪声文本。使用Flan-T5-base模型测试50个查询，标准RAG准确率为96%，Graph-RAG为92%。结论是复杂冲突消解提示需更强模型，小模型反而表现更差。

TIN v1.0.6 发布，速度提升 2-3 倍，新增 18 种语言的词干提取支持，并优化 top-k 查询的并列排序。基准测试显示，TIN 在 x86-64 和 ARM64 上的吞吐量比 ParadeDB 高 3-5 倍，延迟低 2-4 倍，重夺最快 Postgres 全文索引地位。

2026年，数据仓库性能差距缩小，但能力差距仍存。湖仓一体平台可同时服务BI、数据工程、机器学习和AI代理。Databricks报告SQL性能较2022年提升约4倍，客户案例显示查询提速80-90%、成本降低25-75%。湖仓支持流式、非结构化数据和开放格式，统一治理，正成为企业数据平台主流。

红帽AI安全团队用统一基准测试了九种护栏配置。提示注入任务中，小型DeBERTa分类器以89.01%准确率几乎追平大型LLM评审模型，延迟仅54毫秒，远快于后者。内容安全任务则相反，决策模型Jev以86.20%领先，专用分类器落后约六分。开源替代方案表现接近Jev，且策略措辞会显著改变结果。红帽结论：定义明确的风险仍适合小型分类器，宽泛策略才值得用零样本模型或LLM评审。

谷歌发布旗舰模型Gemini 4 Argon，多数基准测试大幅领先OpenAI和Anthropic的顶级模型，尤其擅长知识工作，AutomationBench领先近9分。输出上限提升至100万token，具备自主发现和修补漏洞能力，已用于Wiz扫描。编码表现参差，部分测试落后。目前仅限Fairwind计划测试，定价未公布。

IQuest Research推出IQuest-Q1模型，采用稀疏MoE架构，总参数320B、激活15B。实测中，该模型仅凭提示词即可生成反重力赛车、国庆小游戏等HTML游戏，并能排查RL训练中因多余空格导致的奖励曲线异常。模型参与自身研发迭代，在NL2Repo、CyberGym等基准表现不俗。团队此前提出ModularRSI自进化框架，强调AI应把复杂任务做对做完。

Anthropic 发布 Claude Opus 5.5，在代码、知识工作等多项基准测试中登顶，输出速度提升超 30%。API 价格下降 20%，缓存读取价下降 60%，典型任务总成本降低约 40%。该模型在大规模代码库任务上表现突出，例如迁移 68 万行代码用时不到一天。安全方面配备同级护栏与反蒸馏机制，并预告将推出 Sonnet 5.5 和 Haiku 5.5。

SpaceXAI 发布 Grok 4.7，采用强化学习训练，侧重高难度、耗时数小时的任务，提升自我验证与长上下文管理能力。在 Terminal-Bench 4.0 上得分从 20.3% 升至 38.0%，CursorBench 从 40.4% 升至 46.3%，但仍低于 Claude Fable 5.1 的 57.9%。模型原生支持 Grok Bot 工具框架，定价为每百万输入 2 美元、输出 6 美元，可靠性仍是挑战。

苹果发布新款Mac Studio，搭载M5 Ultra芯片，配备36核CPU、80核GPU和256GB内存，售价12299美元，面向AI开发者和高端3D特效。基准测试显示，其CPU性能比上代M3 Ultra快约30%，GPU渲染最高提升63%，4K视频导出仅需40秒。作者称这是其测试过最快的电脑，后续将深入测试AI性能。

《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。