GLOBAL AI INTELLIGENCE OBSERVATORY
每天先看证据,
再看结论。

可核验的 AI 前沿资讯、分维度模型榜单、可复现的社区讨论。每个结论都能回到来源。

LIVE RANKING模型榜 · OVERALL

完整榜单
前五区间 1504–1528· 榜首领先 8 分Arena 文本总榜口径,跨任务混合偏好 · 更新于 2026.11.02
DAILY INTELLIGENCE / 今日情报

今天的进展,都在这里

每日情报台:资讯按发布时间排列并标注来源,讨论按互动量排序;每条都能回到原文。

01
COMMUNITY PULSE

讨论不止于热榜

这里优先收录实测、复现与带来源的问答。社区冷启动阶段展示编辑问题,不制造虚假热议。

正在读取社区讨论…
02
AGENT CAPABILITY LAB

不只回答,更能完成。

Agent 没有一张榜能定义全部能力:编码、终端、电脑操作与政策遵循是四个独立观测面。

01 / CODE活跃
64.85%
TERMINAL-BENCH 4.0

终端与运维

真实终端任务,仍能有效区分前沿 Agent。

LEADERClaude Opus 5.5
HARNESS / Claude Code · max effort
看相关复现与讨论
02 / BUILD活跃
61.5% ±3.1
SWE-BENCH PRO

复杂软件工程

更难的长程编码任务;旧 Verified 已接近失效。

LEADERMuse Spark 1.1
HARNESS / mini-swe-agent
看相关复现与讨论
03 / OPERATE未解
20.6%
OSWORLD 2.0

长流程电脑操作

全对率仍低,部分完成分数为 54.8%。

LEADERClaude Opus 4.8
HARNESS / max thinking · 500 steps
看相关复现与讨论
04 / REASON活跃
55.2% pass¹
τ³-BANKING

检索与政策遵循

同时考察知识检索、工具使用与规则遵循。

LEADERQwen 3.8 Max
HARNESS / 公开榜单口径
看相关复现与讨论
01

看任务,不迷信总榜编码、浏览器与电脑操作是不同能力。

02

分数必须带 Harness脚手架可能显著改变同一模型的表现。

03

警惕基准饱和接近人类基线后,名次就失去了分辨力。

03
FRONTIER SIGNALS

未来正在哪里发生?

不是追逐热词,而是理解范式如何改变。每个方向都有证据、状态与更新时间,可回到模型与讨论。

PARADIGM SHIFT / 2026“从预测下一个词,
到预测世界的下一个状态。”
01升温
WORLD MODELS

世界模型

从预测下一个词,走向预测世界的下一个状态。智能开始理解行动如何改变环境。

为什么跟踪它决定具身智能与可交互模拟能否从演示走向可训练的数据工厂。

02验证中
AGENT SOCIETIES

多智能体协同

MCP、A2A 等协议让 Agent 从单体工具变成协作网络,系统能力开始超过单模型能力。

为什么跟踪协议层一旦稳定,团队竞争点会从模型选择转向编排、权限与可观测性。

03早期
AI SCIENTIST

AI 科学家

科学基础模型、科研智能体与自动化实验室形成闭环,让假设、实验与发现持续迭代。

为什么跟踪它能放大稀缺的实验资源,但可复现性与错误传播仍是硬约束。

04验证中
EMBODIED AI

具身智能

从演示视频进入真实工业与服务场景,感知、规划和行动在物理世界汇合。

为什么跟踪真实产线的容错率远低于展台,长尾任务成功率决定商业化节奏。

05产品化
HARNESS ENGINEERING

驾驭工程

竞争前沿移到模型外部:记忆、工具、规划、评估与失败恢复共同决定真实表现。

为什么跟踪同一模型在不同 Harness 下的分数差距,已经大于相邻模型之间的差距。

06早期
AI SAFETY

机制可解释与安全

从纠正幻觉走向识别欺骗,以机制解释和自演化攻防应对更自主的智能体。

为什么跟踪当 Agent 拥有写权限与长期记忆,审计和可解释性就是上线门槛而非研究议题。

04
REPORTS & FIELD NOTES

可核验的深度,不靠背景动画。

测评报告、部署实录与基准评测:每篇都带署名、方法、数据来源、局限性与更新时间。

05
EVALUATION SERVICE

把你的模型,放到同一把尺子上。

文本、视频、Agent、鉴证与计费核验:结论带证据、误差与版本,可直接用于选型与上线验收。

  1. 01文本与 Agent 测评

    分维度分数、误差带与失败样本

  2. 02性能与容量压测

    首 token 延迟、TPS、P95 与限流行为

  3. 03视频与多模态

    首尾帧、角色一致性、抽帧质检

  4. 04模型鉴证与计费

    版本指纹、协议一致性、账单对账

先谈口径、再谈报价;单项可委托,也可按发布验收打包。

提交测评需求
06
ZERO-COST MODEL INDEX

零成本,也能抵达前沿。

精选可持续免费档与本地开放模型。每个入口都说明额度与适用场景;额度规则会变,社区经验需要标注日期。

免费不等于没有代价。部分免费 API 可能用于训练或有速率限制;请勿上传敏感数据,额度以提供方最新控制台为准。社区里的使用经验也需要标注日期,因为额度规则会变。

THE NEXT FRONTIER IS CALLING

保持好奇,
继续超凡。

智能的边界从不固定。下一次跃迁,也许就从你的一次复现开始。

进入社区