Muse Ember (Max) 登上 Agent Arena,在 6k 次全球社群真實 AI 助理工作階段中,以 +1.7% 淨改善率、每項任務約 $0.02,名列高效模型之首。
#評測/基準
RSS 訂閱#評測/基準
RSS
Arena.ai@arena品質評分4545
Arena.ai@arena品質評分5252
Artificial Analysis@ArtificialAnlys品質評分3737
Arena.ai@arena精選品質評分7171推薦理由:Arena 以 4.7k 場真實AI 助理工作階段比較 Claude Fable 5.2 與其他模型,並列出排名、任務成本及多項表現訊號,呈現其評測優勢與代價。
Epoch AI Gradient Updates精選品質評分8080 Epoch AI 11 月 11 日簡報整理模型能力、資安研究與全球 AI 算力
Epoch AI 的 11 月 11 日簡報彙整模型能力、資安、全球算力與生物學研究等多項新分析。 - 資安測試:研究者在離線沙盒中測試 GLM 5.3,模型無需人工輸入,便為 Firefox 最近的六個版本建立可讀取訪客電腦檔案並傳送給攻擊者的網頁;每個版本約花費 $1,000。
推薦理由:受控沙盒測試呈現開放權重模型利用修補時差攻擊 Firefox 的方式與成本,並指出此類風險可能擴及其他軟體。
Databricks Blog精選品質評分6363 Databricks Genie Ontology 基準測試:準確率達 91%,Token 用量不到競品一半
Databricks 在與 Turing 合作建立的企業資料代理基準測試中,評估 Genie、Genie Ontology 與兩個前沿代理在即時 Databricks 工作區回答商業問題的表現。
推薦理由:這項評測把筆記本、儀錶板與儲存的 SQL 查詢納入企業資料脈絡,呈現這些工作區知識如何影響資料代理的答題準確度與資源用量。
Artificial Analysis@ArtificialAnlys品質評分5353ACE Studio 推出音樂生成模型 ACE Music v1,在 Artificial Analysis 的 AA-Music-Vocal v1.1 排名第一,名次高於 Suno v6。

OpenRouter Announcements精選品質評分7777 MCP、CLI 與 Skills 的上下文成本比較:GitHub MCP 預設工具用量最高
OpenRouter以 GitHub 任務比較 MCP、CLI 與 Skills,測量工具定義和回傳內容帶來的輸入 token 與成本差異。
推薦理由:單一 GitHub 任務的測試顯示,工具定義與回傳內容都會累積輸入 token;按需載入工具或限制回傳欄位,可大幅改變整體成本。
Artificial Analysis@ArtificialAnlys精選品質評分6666Gemini Omni Flash 1.2 在 AA-Video-Editing v1.1 取得第 2 名,並在兩項影片生成基準中超越 Gemini Omni Flash 1.1。

推薦理由:多項影片基準呈現不同幅度的名次變化,並列出擅長與較弱的任務,方便對照其影片生成與剪輯表現。
LMSYS Arena (@arena)@arena品質評分5555
Arena.ai@arena品質評分4343
Artificial Analysis@ArtificialAnlys品質評分5656
Perplexity@perplexity_ai精選品質評分7676推薦理由:Perplexity 提供 WANDR 分數與單次任務成本,並和 Claude Fable 5.2 比較,呈現 Gemini 4 Carbon 的效能與成本資訊。
PyTorch@PyTorch品質評分5858
Artificial Analysis@ArtificialAnlys精選品質評分6666推薦理由:這組基準同時呈現搜尋品質、任務成本與速度,並交代測試設定,方便比較不同搜尋工具在代理任務中的表現。
openrouter blog精選品質評分6565 OpenRouter 實測掃描檔案 OCR:Claude Opus 5.5 最準,Mistral OCR 價效比最高
OpenRouter以八頁自行製作的掃描檔案比較 15 個視覺模型、Mistral OCR 與 Tesseract,Claude Opus 5.5 辨識關鍵值最準,Mistral OCR 的費用較低。
推薦理由:文章以可逐字核對的八頁掃描檔案比較多種 OCR 路線,呈現辨識準確度、費用與錯讀風險的取捨。
LMSYS Org Blog精選品質評分8383 SGLang 團隊用 megakernel 讓 Muse Spark Open 在 Blackwell GPU 上達到每秒 1,109 個 token
GPU 執行模型時,工作被拆成許多小步驟,步驟之間的等待會讓部分晶片閒著。LMSYS 團隊為 Muse Spark Open 寫了一種叫 megakernel 的大型 GPU 程式,把每一層的多項工作合在一起,讓不同部分能趁空檔先處理下一件事。在 Blackwell GPU 上,單次請求的解碼速度從每秒 517 個 token 提升到 1,109 個 token;團隊也把草稿模型的執行步驟從 175 次減到 8 次。這種做法目前只支援搭配猜測解碼的單一請求,團隊接下來打算擴充到多個請求。
推薦理由:文章拆解 megakernel 如何合併 GPU 工作、減少等待,並以 Muse Spark Open 的實測展示效能變化,能看出低延遲推論的工程取捨。
Artificial Analysis@ArtificialAnlys品質評分3636
Artificial Analysis@ArtificialAnlys精選品質評分6060Claude Fable 5.2 (Max) 在 Artificial Analysis 的 AA-3D 基準排名第一,這項基準評估 AI 模型建構互動式 3D 體驗的能力。

推薦理由:AA-3D 的 Elo 分數、信賴區間與同榜模型比較,呈現 Claude Fable 5.2 在互動式 3D 體驗生成上的排名差距。
Arena.ai@arena品質評分3636
Together AI@togethercompute品質評分3636
Artificial Analysis@ArtificialAnlys品質評分5656
Arena.ai@arena品質評分5252
Arena.ai@arena品質評分5656Muse Ember (Max) 在 Code Arena:WebDev 以 1608 分成為表現最高的小型模型,Arena 並指出其每項任務的中位成本為 $0.03。
Arena.ai@arena品質評分4848
Artificial Analysis@ArtificialAnlys精選品質評分8282推薦理由:多項基準呈現 Muse Ember 的成本與能力取捨,涵蓋AI 助理程式開發、知識準確率及拒答率,便於比較不同用途的表現。
Arena.ai@arena品質評分4242Inkling 2 Small 在 LMSYS Arena 的 Agent Arena 排名第 31,淨提升 +0.08%;推文預告其開放權重即將推出,屆時預計成為美國排名最高的開放權重模型。
LMSYS Org Blog精選品質評分6969 DeepSeek-V4.1-Flash 如何在 H200 上加快分離式 Prefill 與 Decode
處理長提示詞時,DeepSeek-V4.1-Flash 的 Prefill 會排隊,等待時間也拉長。Ant International AI Infra Team 在 8 張 H200 上用 SGLang 分開處理提示詞和逐字生成,並調整索引器計分、Prefill 分塊與 MoE 資料傳送,也讓有限重播能搭配 CP 和 DSpark。合併設定的 8 個測試案例中,E2E 延遲降低約 15%–64%,但每個輸出 token 的時間增加 3%–52%;GSM8K 準確率則從 96.74% 降到 95.38%。文章提醒,整體結果包含多項改動,不能把改善歸功於單一調整;有限重播也會省略部分區域性運算,可能影響答案品質。
推薦理由:文中把各項加速分開測量,也列出合併設定的延遲與 GSM8K 變化,呈現輸入處理變快和逐字生成變慢之間的取捨。
Artificial Analysis@ArtificialAnlys品質評分3838AA-PersonalityBench 比較受測模型在 30 種人格特質上的百分位排名,發現真誠度高的模型通常較少產生灌水內容,創意度高的模型也往往更幽默。
Together AI@togethercompute品質評分4747
Artificial Analysis@ArtificialAnlys品質評分5050Artificial Analysis 推出 Decision Index v2,更新基準並以兼顧答案正確性與信心校準的 Decision Score 作為核心指標,45% 權重改由私有資料集構成。
Artificial Analysis@ArtificialAnlys精選品質評分7777
推薦理由:對照 GPT Image 2.5 的測試呈現兩款新模型在生成速度、品質與費用上的差異,並列出各自的基準表現與適用特點。
Arena.ai@arena品質評分4242
Arena.ai@arena品質評分5454
Artificial Analysis@ArtificialAnlys品質評分4747
Arize AI@arizeai品質評分4646
Hugging Face Blog品質評分3737 Egyptian 與 Nigerian 英語加入 Open ASR Leaderboard
Hugging Face 與 Liva AI 合作,為 Open ASR Leaderboard 新增 Egyptian 與 Nigerian 英語的私有語音資料集,擴大語音辨識評測中的口音涵蓋範圍。
Arena.ai@arena品質評分5858
Artificial Analysis@ArtificialAnlys精選品質評分7171推薦理由:Inkling 2 Small 在 AA Intelligence Index 得分提升的同時,輸出 token 數與單次任務成本也增加;各項基準差異可用來比較其代理任務、程式編寫與研究能力。
Artificial Analysis@ArtificialAnlys精選品質評分6565
推薦理由:Artificial Analysis 同時比較 FLUX 3 Image Klein 的文字生圖與圖片編輯排名,並列出 API 單張價格及授權條件,方便衡量成本與使用限制。