智元GO-3 Nano Preview登顶RoboTwin，平均成功率85.01%
智元GO-3 Nano Preview以85.01%的平均成功率登顶RoboTwin最新榜单。RoboTwin主要考察复杂场景下的双臂协同操作与环境泛化能力，评测模型在目标识别、动作协调及环境变化适应等方面的表现。
#评测/基准
#评测/基准
今日 4 条36氪AI 评分3737 人人都是产品经理AI 评分5959 腾讯网盘实测：跳出容量竞赛，大厂押注Agent存储
实测显示，内测版腾讯网盘不再只是文件仓库，而是定位为多Agent的统一记忆底座，可连接腾讯文档、WorkBuddy等智能体，让多个AI在同一份资料上协同工作。腾讯网盘与字节火山引擎内测的ADrive思路相似，都在跳出容量竞争，争夺AI数据入口。但免费空间仅5GB，AI功能需消耗Buddy One积分，偏重文档知识库，更适合重度AI办公用户。
AWS Machine Learning BlogAI 评分4545 Property Finder 修正评测标签偏差以在 Amazon Bedrock 上选出更好模型
Property Finder 团队发现 96.8% 的评测标签直接继承自单一模型预测而非人工核验，导致其他模型看起来都更差；文章介绍他们如何修正这种评测偏差后在 Bedrock 上做客观模型比较。
Hugging Face BlogAI 评分4646 Ai2 研究：LLM 能否可靠判断科研想法的新颖性
Ai2 发布研究 Old Ideas, Novel Problems，评估大模型判断科研想法新颖性的可靠程度，并公开基准、数据、代码以及构建新评测集的自动化流程。
量子位AI 评分5959 GPT-6.1 Terra 首批实测：一折价格获得 Astra 级电脑操作能力
量子位汇总 GPT-6.1 Terra 首批网友实测，称其以约一折的价格获得接近 Astra 级的电脑操作能力，同日 OpenAI 还公布了三项 AI 科学新发现。
Lenny's NewsletterAI 评分4545 How I AI 播客：实测 Meta Muse Wonder 模型并介绍 Brooke Lacey 的 AI 视频工作流
Claire Vo 用近 20 项真实任务测试 Meta 新模型 Muse Wonder，认为它是同价位最强的智能体模型，在账单工单处理、收件箱分拣、computer use 和邮件写作上排名第一，但原型与视觉设计表现较差。节目还对比了 Opus 5.5、Astra 和 Fable。
Product HuntAI 评分3737 BotGauge 发布 AI 智能体红队测试与可靠性平台
BotGauge 在 Product Hunt 发布，帮助工程团队对 AI 智能体运行自适应红队攻击和评测，发现安全与行为故障并以完整 trace 回放，再把故障转成回归测试并在生产中持续监控。
Lenny's NewsletterAI 评分5454 实测 Meta Muse Wonder：擅长智能体任务，设计能力差
Claire Vo 用 How I AI 基准近 20 项任务测试 Meta 新前沿模型 Muse Wonder 和 Wonder Full，结论是其个人与工作智能体定位大体成立，在三类智能体任务中排名第一，但设计输出不佳。她还对比了 Sonnet、Opus 5.5、Astra 和 Fable 在语音助手、SVG 和短视频剪辑上的表现。
GitHub Blog · AI & MLAI 评分5454 GitHub 发布开放的 AI 代码审查基准 ReviewBench
GitHub 推出开放基准 ReviewBench，用于衡量 AI 代码审查工具检查 pull request、发现问题和判断优先级的能力，帮助团队在采用前了解各审查器的强弱项。