benchmark

OpenMythos 推出了一个新的开源基准测试，用于评估 AI 模型在神话知识方面的表现。

作者称赞GLM-5.2（一个MIT开源权重模型）在人类评估基准中表现出色，声称其能与Claude等最佳闭源模型相媲美。

作者测试其他AI模型是否能匹配Mythos在寻找安全漏洞方面的卓越能力，建立了一个由Mythos发现的漏洞基准，并测试了像Opus这样的模型。初步结果表明Mythos可能具有独特的能力。

While running the dim-agent benchmark, the author noticed that DSv4's scores have been consistently improving, hinting at significant progress in model development.

阿里巴巴发布HappyHorse 1.1，这是一次重大AI视频生成模型升级，现已通过API提供，在竞争对手Sora和Seedance表现不佳的情况下，全球排名升至第二。

更新后的GPT-5.5 Cyber模型在CyberGym基准测试中超越了Mythos 5。

GLM-5.2 在 llama.cpp 上使用 RTX 5090 和 RTX 3090 Ti 运行的速度测试结果，显示在 8k 上下文中预填充速度高达 579 t/s，解码速度约为 10.6 t/s。

Ai2 发布了 TMax 27B，一个 27B 的终端代理，在 Terminal Bench 2.0 上取得了 42.7% 的成绩，与比其大 40 倍的模型相媲美。

在 RTX 3090 上运行 Qwen3.6-35B-A3B APEX 模型的详细指南：比较两个 llama.cpp 分支及量化方法，以达到最佳速度与质量。

开源OCR模型Unlimited OCR基于DeepSeek OCR，仅3B参数便在OmniDocBench v1.5上取得93.23分，超越DeepSeek OCR和Gemini 2.5等对手。

根据Sakana AI的公司博客，其新模型Fugu在LiveCodeBench和Terminal Bench 2.1上以微小的优势超越了Fable 5，尽管结果尚未得到独立确认。

BohuTANG introduces /harden, a method for same-model two-round convergence, and highlights the evot agent engine which completes complex tasks with fewer tokens and lower cost than alternatives like Claude Code.

本文介绍了AgentCIBench，一个用于评估计算机使用代理隐私风险的基准测试，发现15个前沿代理中有11个在超过50%的场景中泄露信息。

HAKARI-Bench是一个轻量级基准测试，用于在多种配置和语言下比较检索方法，支持高效的模型选择和性能分析。它能在保持高相关性的同时，比运行完整基准测试（如MTEB）更快地复现其结果。

EnterpriseClawBench 提出了一个基于真实工作场景的企业智能体基准，包含 852 个可复现任务以及超越单一性能分数的综合评估指标。

Inception Labs 发布了 Mercury 2，这是一个扩散语言模型，每秒可生成约1000个token，在 AIME 2026 基准测试中以 90% 对 69.1% 的得分优于 Google 的 DiffusionGemma，不过 DiffusionGemma 是免费且开源权重的，而 Mercury 2 是付费且闭源权重的 API 模型。

用户使用192个提示词对本地文本到图像模型进行了全面对比，评估了文本渲染、人脸、人体解剖、空间构图等能力，结果和提示词已在imagebench.ai上公开。

agentmemory是一个开源库，为Claude Code、Hermes和OpenClaw等AI代理提供自然时序记忆。它采用三层架构，结合混合检索（BM25、向量、知识图谱）和艾宾浩斯衰减，在达到上下文限制前，可实现约92%的令牌减少和200倍的更多工具调用。

本文介绍了本地视觉语言模型基准测试的第二次更新，比较了23个模型在30张图像上的表现（使用修订设置），并为不同VRAM层级提供了性能建议。主要发现包括：推理模式会损害视觉性能，且MoE模型在感知任务上表现不如密集模型。

关于在使用ROCm的llama.cpp上，于双AMD Radeon R9700配置下运行Qwen 3.6 27B Q8模型的技术报告，包括性能基准测试和配置详情。