GLM 5.3 Flash与DeepSeek V4 Flash在Hermes Agent实测对比：GLM跑分高但落地差，工具调用不稳、不守Agents.md规则；DeepSeek虽参数少、跑分低，但干活稳，被社区推荐为默认模型。文章指出评测与实战脱节，Agent场景更需“听话”模型，便宜非关键，能干活才是王道。

物理AI模型评测显示，Claude Fable以0.889分居首但成本最高；GPT Sol性价比优但方向易错。换模型仅影响排名，换工具决定物理正确性，专用工具比普通助手分数高0.366分。选模型需权衡预算与责任，工具选对是关键。

本文评测了7个模型在Apache SeaTunnel AI CLI中的ETL任务表现，采用L1静态验证、L2 CLI校验和L3真实执行三层框架。结果显示，静态通过率不能预测真实执行成功率：GPT-5.6 Terra静态最高（93%）但执行仅74%，Claude Opus 4.8执行最佳（85%）。建议根据任务复杂度、修复预算和成本选择模型，并加强connector知识注入和规则覆盖。

澳鹏数据连续八届参加世界人工智能大会，本届展示六大核心能力，包括模型评测、具身智能数据支撑和平台升级。推出Elite评测及难例数据集，覆盖多领域；RoboGo平台提供全栈式数据方案，支持多种采集方式。同时发布AI原生标注平台和专家难题工具，国内外平台协同支持全球业务。

WBench是一个评测基准，专注于交互式视频世界模型，旨在提高模型在动作、反馈和场景变化中的稳定性。通过多轮交互评测，WBench帮助开发者识别模型弱点，推动AI系统的可靠性工程。开源的WBench促进团队间的比较与协作，强调在产品上线前建立评测闭环，以确保系统的稳定性和可操作性。

腾讯AI Lab与中科大发布了一份关于类SORA视频生成模型的评测报告，评估了13个主流模型的能力。报告指出视频生成在画质、动作自然度和视觉-语言对齐方面的进步，并通过多维度测试生成了8000多个视频案例。研究展示了模型在不同应用场景中的表现，鼓励社区深入研究。报告认为视频生成领域正快速发展，未来将有更多创新。