AI模型评测

微软在 2026 年 10 月 9 日发布专为结构化判断打分的 Microsoft Decision-1，已上架 Foundry、输入每百万 token 0.042 美元且输出免费。本文说明它和聊天大模型分工有何不同、跑分口径怎么看，适合给智能体做路由、审核和质检的团队。

Arena 在 2026 年 10 月 8 日宣布完成 2 亿美元 B 轮融资、估值 31 亿美元，同日推出用真实会话衡量智能体越界行为的对齐指数。本文说明投资方、增长数据和指数查什么，适合关注模型评测的读者。

Google 在 2026 年 10 月 8 日开源 AQuA 环境质量智能体，专查智能体上线后接口全绿却做错事的静默失败。本文拆解它的五段巡检流水线和根因定位方式，适合运营生产智能体的团队。

2026年10月7日，NVIDIA 团队汇总 Nemotron 两项奥赛成绩：IOI 2026 得 535.4 分超过人类最高分，IMO 2026 得 30 分越过金牌线。本文拆解成绩、微调配方与开源内容，适合关注推理模型的读者。

2026年10月6日，OpenAI 公开内部前沿模型产出的一批数学成果，共722篇手稿。本文梳理仓库规模、Lean形式化进度与未核验风险，适合关注AI科研能力的读者判断这批成果该怎么看。

2026年10月6日，Mistral 发布 Large 4 公开预览：1万亿参数、49B激活的原生多模态模型，预览接口已上线，权重月底开放。本文梳理它的编程、智能体与安全成绩和试用边界，适合关注开放权重与私有部署的团队。

2026年10月5日，GitHub 发布开放基准 ReviewBench，用参照上亿真实 PR 分布选出的 219 个样本评测 AI 代码审查智能体。本文说明参考答案如何建立、分数为何能按严重程度拆开，以及团队如何提交工具参评。

2026年10月5日，Liquid AI 发布首款决策模型 d1：它不生成文字，一次前向计算就返回各选项的概率，支持文本与图像输入，文本判断只要两三百毫秒。本文拆解它与聊天式大模型的区别、三类问题形态、官方对比口径的限制和适合先试的场景。