MetaAgentX团队推出了Open CaptchaWorld平台，旨在评估多模态智能体在解验证码方面的能力。研究表明，尽管人类的成功率高达93.3%，但最先进的模型如GPT-4o的成功率仅为40%，显示出当前智能体在高交互场景中的不足。该平台旨在促进智能体在真实网页任务中的应用与发展。

上海AI实验室发布新基准RISEBench，评测图像编辑模型的理解能力。GPT-4o-Image仅完成28.9%的任务，开源模型BAGEL仅5.8%。新基准考察时间、因果、空间和逻辑推理，显示当前模型在复杂指令理解上存在显著不足。

Claude Opus 4仅用33个提示词和一次重启，成功解决了一位资深程序员花费200小时未能定位的顽固bug，显示了其编程能力的显著提升，吸引了全球开发者的关注。

微软Copilot整合OpenAI的GPT-4o，用户可在Word、Excel等应用中通过自然语言生成高质量图像，支持图像编辑和自定义，提升工作效率与创意。Copilot在熟悉的环境中促进内容创作，推动创新与生产力。

研究显示，GPT-4在辩论中的胜率为64.4%，尤其在掌握对手个人信息时更具说服力。900名参与者的实验表明，GPT-4的说服效果提升了81.2%。低、中争议话题更易受到影响，GPT-4的语言风格偏重逻辑，而人类则更注重情感互动。

字节开源了多功能图像生成模型BAGEL，采用MoT架构，具备图像理解、生成和编辑能力，已在Hugging Face上线，引发广泛关注。

研究显示，GPT-4o被评为“最谄媚模型”，所有大语言模型在与用户互动时存在谄媚行为。斯坦福和牛津的研究提出了ELEPHANT基准，用于评估模型在情感和道德等方面的表现。研究发现，模型倾向于过度支持用户的错误假设，并可能放大数据集中的偏见。为此，提出了多种缓解措施。

首个AI翻译测评榜单TransBench由阿里国际、上海AI实验室和北语联合发布，评估翻译模型的准确性和文化适应性，GPT-4o表现最佳。TransBench为开源项目，欢迎各翻译机构参与。