#评测/基准

Gemini 4 Carbon 登顶 MathArena，成本约为 GPT-6.1 Sol 的 15 倍

Google 的 Gemini 4 Carbon 在 MathArena 数学基准上超过 GPT-6.1 Sol 登顶，Claude Fable 5.2 位列第二。

UniPat AI 发布湿实验预测基准 SPU，12 款前沿模型平均分最高仅 0.486

UniPat AI 牵头发布湿实验预测基准 Science Prediction Universe（SPU），包含 116 个任务、4207 个湿实验，覆盖化学、材料科学、生物和医学，公开任务来自 85 篇近期论文，另有 16 个来自未发表合作实验的私有任务。

从原型到生产：用 Agent DLC 工程化 AI 智能体

AWS 提出 Agent Development Lifecycle（Agent DLC），用一个生命周期、两个循环和统一的 gold standard 标准来评判智能体的每次变更。

未来医生MedGPT完成40例复杂肺癌病例评测，250名三甲医生参与

未来医生MedGPT与国内三甲医院胸外科团队联合开展肺癌实证研究，围绕40例复杂肺癌病例，在250名三甲医院医生参与的统一评估下，AI与医生无辅助方案的评分对比为88比12。

Google 推出 Gemini 4 Hydrogen，正式替换 3.8 Flash

Google 发布 Gemini 4 Hydrogen，并已在自家产品中替换 Gemini 3.8 Flash。该模型提供 low、medium、high 和新增的 xhigh 四档思考等级，Google 称 high 模式下速度是 Flash 3.8 的 2.5 倍，编造性表述减少 5 倍以上，Terminal-Bench 得分超过 3.8 Flash 三倍。

同一件事，精选收录的是《Google DeepMind 发布 Gemini 4 Hydrogen 模型》

Google 发布 Gemini Decision 1 决策模型，独立评测结果与官方基准存在分歧

Google 发布 Gemini Decision 1 决策模型与 Decisions API，支持闭集判定，单次请求最多 1000 个问题、256K 上下文，端到端返回 150–250ms，输入定价 $0.10/1M tokens 且输出不计费。

NaiveAI 宣称每秒 2100 tokens，实测其编码能力如何

Latent Space 对 NaiveAI 的开源权重模型 Naive-N0.5-Flash 做了实测，该模型宣称峰值约 2100 tokens/s、思考阶段接近 1000 tokens/s。

GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准

GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，现已开放研究预览版。该基准基于 1.039 亿个 GitHub PR 的分布构建，包含 19 种语言的 219 个公开 PR，采用多来源黄金集和统一评分规则，由资深工程师独立复核，与基准判断的一致率为 96.6%。