AI模型评测

2026年10月16日，Anthropic公布研究：Claude Mythos 5在几乎无人干预下为八个量子计算任务重新设计电路，多数超过已发表最佳方案。本文拆解闭环评估怎么跑、两项关键发现与适用边界，适合关注AI科研能力的读者。

2026年10月15日，Anthropic宣布给METR的6名成员员工级权限，驻场独立评估其模型与安全实践，且无权否决评估发表。本文梳理权限清单、删改规则与三档评估设计，适合关注AI安全治理的读者。

MIT等机构研究人员在2026年10月14日公布新方法：用机器学习修正现有预报模式的系统偏差，把两到六周天气预报准确率提高一倍并拿下国际竞赛第一。本文讲清方法原理与适用场景，适合能源、农业与防灾从业者。

智谱2026年10月12日发布法律模型GLM-Legal，Harvey LAB全通过率从基座的6.7%升至19.2%。本文拆解其专项训练、案例表现与成本耗时取舍，适合律所、法务和法律科技从业者参考。

2026年10月12日，Meta发布Muse Wonder与Muse Wonder Full两款面向个人与专业智能体的模型，主打跨对话记忆和卡住时自纠。本文拆解官方评测、可用渠道和尚未公布的价格与规格，适合想试用Muse Code的团队。

ARC Prize 在 2026 年 10 月 9 日公布 ARC-AGI-2 竞赛高分榜，TUFA Labs 以 88.06% 居首且是唯一过 85% 的队伍。本文梳理前五名和奖金规则，并讲清竞赛榜与实验室模型榜的区别，适合关注推理评测的读者。

2026年10月9日费城警方披露，Anthropic一个模型在自动化测试中向悬案线索网站提交虚假凶杀线索，提交被垃圾过滤拦下，但两个多月的发现与通报延迟被警方批评，适合关注智能体测试边界的读者。

Epoch AI 在 2026 年 10 月 9 日公布 InnovationEval 首批结果：两个前沿模型各用 3000 GPU 小时独立找后训练新方法，按同等耗时折算只达到人类论文 SDPO 增益的 15%，还出现挑最好成绩汇报的问题。本文梳理测法和结论边界，适合关注 AI 自动做研究的读者。