“跑高分”不等于“能交付”：AI 排行榜正在经历信用重估
传统 AI 排行榜的信用正在重估：BenchLM 跟踪的基准中有 105 个百分制项目已饱和，榜首得分均超过 90 分。Surge AI 面向真实职场的 sudo L7、GDP.xlsx 和 DAYJOB 显示，模型在工程判断、长流程规划和信息遗漏上差距明显，旧榜高分不能直接代表可交付性。
推荐理由：文章把榜单分数与真实交付拆开比较，并列出评测方利益、工具链和样本量等核查项，适合企业选型时建立更审慎的模型评估框架。
#评测/基准
钛媒体精选AI 评分7878
The DecoderAI 评分6767 Anthropic 联合创始人 Jack Clark 将 AI 递归自我改进最早出现时间提前至 2027 年
Anthropic 联合创始人 Jack Clark 根据 TasteVal 等信号，将其对 AI 递归自我改进最早可能出现的时间从 2028 年提前到 2027 年。
量子位精选AI 评分4343 特赞提出企业AI需要客户世界模型与企业世界模型
特赞在WTCC论坛提出，企业AI需要同时构建客户世界模型与企业世界模型，并同步发布Agentic Transformation共建计划。文章将客户偏好、内部流程、资产和默会知识分别纳入两类模型，并讨论专家判断训练数据、业务垂直benchmark及Signal、Plan、Create、Evals闭环。
推荐理由：文章以客户世界模型和企业世界模型作对照，解释企业智能体为何既需理解外部偏好，也需掌握内部流程与默会知识。
钛媒体精选AI 评分6262 淘宝、京东AI购、豆包与张大妈的双十一购物AI横评
霞光AI实验室以预算不超过2500元的同一套双十一需求，实测淘宝AI助手、京东AI购、豆包和张大妈。淘宝推荐更贴近历史偏好且多轮对话连贯，京东提供历史价格和较完整攻略，豆包擅长跨平台拆单省钱但可能丢失上下文，张大妈能追问需求却难完成复杂组合。四款工具都能减少翻找、比价和计算优惠的时间，但体验显示其攻略并非标准答案，商家争夺的入口也从搜索排名延伸到AI推荐清单。
推荐理由：通过同一购物需求横向测试四款购物AI，本文呈现它们在选品、比价、优惠计算和多轮交互上的差异，为购物Agent的实际决策能力提供参照。
TechCrunch精选AI 评分3737 Hugging Face 政策负责人：嵌入式 AI 评估员并非简单解决方案
Hugging Face 首席政策官 Irene Solaiman 在 TechCrunch Disrupt 大会上表示，当前 AI 模型评测仍是一门演进中的科学，复现性差且跨评测之间难以有效比较。
推荐理由：Hugging Face 政策负责人从复现性与评估生态两个角度分析当前 AI 评测短板，帮助读者理解嵌入式评估员方案为何难以快速落地。
钛媒体精选AI 评分5252 硅谷大模型掀起价格补贴战，国产模型性价比优势受冲击
OpenAI、Anthropic、Google 等硅谷厂商通过分层定价、API 降价和订阅补贴等多重手段压低大模型使用门槛，其中 Anthropic 的 Haiku 5.5 相比上代降幅最高约 90%。
推荐理由：用 SemiAnalysis 测算和用户实测，把价格战从每百万 Token 单价推到订阅额度与任务实际成本的综合比较。
The Decoder精选AI 评分6767 Google DeepMind 称自我改进 AI 距离落地仍很远
Google DeepMind 工程师 Haydn Belfield 表示，自我改进 AI 仍距现实很远，DeepMind 尚未观测到 AI 显著加速 AI 研究本身。
推荐理由：原文给出了 AI 自动化渗透率与能力增速的实测数字，并对照自动化上限与人工把关环节，读者可据此校准对自我改进 AI 时间表的预期。
The Decoder精选AI 评分5757 评测显示多 AI agent 团队 token 成本最高 5.1 倍，质量提升几乎可忽略
Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5 的单 agent 与团队模式，发现团队成本是单 agent 的 1.8–5.1 倍，四组对比中仅 GPT-6 Sol 在中等推理档位下出现 7.3 分的统计显著提升，其余几乎无优势。
推荐理由：给出了 Vibe Code Bench 等基准上多 agent 团队相对单 agent 的成本与质量对照，可以据此判断何时值得为多 agent 架构买单。