Google DeepMind 发布 Gemini 4 Carbon，距 Argon 仅两周，在 Artificial Analysis Intelligence Index v5 上以 59 分排名第一，并在 HLE-Diamond、TB-Science、AA-Omniscience 和 AutomationBench 四项评测中领先。
推荐理由：汇总 Gemini 4 Carbon 在多个独立榜单与安全指标上的表现，并列出与 Opus 5.5、GPT-6 Astra 的对比数据。
Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon，该模型在 Artificial Analysis Intelligence Index v5.0 上以 59 分登顶，前代 Argon 为 50 分。
推荐理由：文章汇总了第三方评测与定价数据，读者可以据此比较 Gemini 4 Carbon 与 Claude、GPT 在智能体编码和安全任务上的位置。
Google 发布 Gemini 4 Carbon，称其在编码、智能体任务和科学分析上达到新水平，但延续分阶段发布策略，暂不对外开放使用。Google 称该模型在漏洞检测、验证与修复上有显著提升，生成无漏洞代码的概率是 Argon 的两倍；Chrome 团队称其生成高质量补丁的能力是非 Google 模型的 10 倍。
Artificial Analysis 改版 Intelligence Index，Kimi K3.1 Pro 从第 4 名降至第 9 名，排在 8 个闭源模型之后。
Property Finder 在将视觉 AI 负载迁移到 Amazon Bedrock 时发现，其评估标签中 96.8% 直接沿用了现有模型的预测而非人工核验，导致任何替代模型在比较中都处于劣势。团队由专家重新标注 356 张 UAE 图像并改用多标签分类，再通过 v0 到 v27 的提示词迭代优化选型，最终在 Amazon Bedrock 上实现更高准确率与 86% 的成本下降。
微软研究院播客中，partner research manager Jennifer Neville 与首席应用科学家 Chad Atalla 对谈，讨论评估如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“意外失败”。Neville 还分享使用当前 AI 系统的实用建议，并强调结果偏离预期时细查数据的重要性。
GitHub 发布 AI 代码评审离线基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布特征，构建了覆盖 19 种语言、219 个公开 PR 的评测集。