AI模型评测

Anthropic 9 月 30 日发布机器人岗位暴露度研究：74% 体力任务机器人今天就能做，但成本上能打赢人类的只有 0.3%。本文讲清研究方法、哪些职业会先受影响，以及成本这道门槛到底有多高，附关键数据解读。

Anthropic 官方评测发现，智谱 GLM-5.3 的漏洞利用能力已接近 Claude Mythos，但防护可用简单手段绕过。了解三组关键数字与谁会受影响。

微调是拿现成大模型用领域数据继续训练、把它变成行业专家的方法。本文讲清微调的定义、两种做法、与提示词工程/RAG/蒸馏的区别，以及何时值得做，适合想真正理解大模型训练的入门读者。

Arena 9 月 29 日发布研究：12 个模型做 1460 场对战裁判，选自己答案比人类高 70%，GPT-6 Astra 高达 88%。本文讲清研究方法、各模型表现和给 AI 当裁判的建议。

NVIDIA 发布开源表格基础模型 Kumo Tabular：一次前向完成表格预测，免训练、免调参与特征工程，四项基准全部第一。本文讲清它与 XGBoost 流程的区别、适用场景与获取方式。

H Company 9 月 28 日发布 Holo4 系列计算机使用智能体模型：27B 密集和 35B-A3B 混合专家两个尺寸，权重在 Hugging Face 开源。在 OSWorld 2.0 桌面基准上逼近前沿闭源模型，单任务成本低一个量级，适合想尝试 GUI 智能体的开发者与团队。

大模型幻觉就是 AI 一本正经地编造事实。本文讲清它的成因、常见类型和三大误解，教你用检索增强、提问约束、交叉核验三招把风险降到最低，适合每天用 AI 查资料、写报告的读者。

2026 年 9 月 26 日，Arena 官方公布 GPT-6 Sol（Max）在 Agent Arena 的成绩：4000 多个真实任务会话，+7.7% 净改进排第 6，中位成本 0.75 美元/任务。解读数据与选型含义。