Databricks 用同一 AI 代理对 528 个数据管道进行基准测试，比较过程式 PySpark 与声明式 Spark Declarative Pipelines。结果显示：声明式可在运行前预检结构错误，集群计算时间减少约 34 倍；代码量约为过程式一半（中位数 64 行对 131 行），且更一致；但两者对逻辑错误的检出率相近。声明式前期 LLM 令牌成本约高 2.3 倍（约 0.50 美元对 0.26 美元），但令牌成本固定，而集群浪费随数据规模增长，故生产规模下声明式更划算。

Letta发布FrontierMemory基准，用于测试AI智能体能否从过往经验中学习并提升后续任务表现，而非仅检索记忆。结果显示智能体框架影响显著：Letta Dream以73.3%居首，Prime Agent为60%，OpenAI Agents SDK为40%，Claude与Hermes更低。在模型生成记忆能力上，Claude Opus 5.5与GLM-5.3并列第一，但GPT-6.1 Sol成本更低。该基准目前仅含15项任务，后续将加入更长任务与在线记忆更新。

WebRTC基准测试须先验证限速是否真实生效：Chrome内置限速未附着于通话连接，导致Meet视频绕过限制；Zoom Web视频经数据通道传输，标准统计中无帧率数据。测试显示Meet媒体未中断，但码率稳定常超20秒，或30秒内未恢复；Zoom因限速前码率已低于500kbps，多数接收端未真正受扰。建议将“稳定恢复”纳入验收标准，区分通话运行、遥测完整与质量恢复，缺失数据不得记为零。

文章比较了pgvector与专用向量数据库。pgvector是Postgres扩展，可在同一数据库内同时存储向量与关系数据，支持多种向量类型和距离函数。作者用Docker在本地对pgvector和Qdrant做基准测试，但10万向量的规模太小，难以得出结论。文章引用Tiger Data的5000万向量生产级测试：在99%召回率下，pgvector配合pgvectorscale吞吐达471 QPS，远超Qdrant的41 QPS；但Qdrant尾延迟更优，p99为38.71ms对74.60ms，索引构建也快约3.4倍。结论：千万级以下、需要事务一致性的场景选pgvector；超大规模、严格尾延迟SLA或零运维需求的场景选专用数据库。

JetBrains分析4782个IDE编程代理会话发现，修复缺陷与新增功能的请求不足开发者请求总量的一半，其余为代码解释、规划、审查等。SWE-Bench Pro中93.8%的任务是单一消息的功能或修复请求，与真实使用差距较大。作者提出SWE-TaskFlow，将现有基准的issue拆分为多条顺序请求并加入仓库问答，使任务流更贴近真实会话，但成本增加2至2.6倍，解决率变化不大。

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。