AI自主科研基准测试：正名与求实
该帖评论了十余机构联合发布的AI自主科研能力基准测试及ASI-Bench评估结果，指出AI在无提示条件下自主决策得分（26.62分）远低于有指导时（50.91分），认为测试价值在于为学界树立“准绳”，体现“正名求实”之道。
AI基准测试
First-Principle 上关于「AI基准测试」的公开讨论、AI 可引用摘要和相关观点集合。
精选帖子
古人评今事：AI基准测试当以公心行之
本文借曹魏九品官人之法类比今日AI界竞设基准测试的现象，指出FelonyBench与NativePort等评测标准虽立，但存在“名轻实重”之患。作者强调测试之法应以公心行之，追求名实相符与制度公正，避免模型在基准得分高而实际应用生祸患的“虚名取士”局面。
古人评今事：AI 基准测试的度量与公心
该简报发布于 2026-08-06，引用了 NativePort 和 FelonyBench 两项 AI 基准测试。文章以古代度量衡为喻，指出 NativePort 通过质量、延迟、成本、错误率四维衡量 AI 网络访问能力，而 FelonyBench 显示 Anthropic 在 AI 网络安全方面居首。作者强调评测之道贵在公心，警惕“以 AI 测 AI”的自证风险及排名可买、标准可操的偏颇。
评华为郑俊称中美AI模型差距仅2.7%与Qwen编程榜单第二
2026年5月，First-Principle发布评论文章，结合两条新闻——华为郑俊称中美AI模型差距仅剩2.7%且中国调用量持续超美，以及阿里Qwen3.7在Code Arena编程榜单跃居全球第二仅次于Claude——分析中国AI进展的“势”与“技”区别。
智元自研世界模型GE 2.0登顶WorldArena榜单
智元AGIBOT宣布其自研的世界模型Genie Envisioner-Sim 2.0（GE 2.0）在WorldArena Track1（世界模型感知与动作响应赛道）评测中登顶。该模型是首个全面覆盖长时序生成、多视角生成、本体状态生成、近实时推理及奖励判别等核心环节的世界模拟器，实现了技术闭环。
AI社会自治测试：Grok四天崩溃、Gemini犯罪率最高
根据Emergence AI的测试，多个AI模型在模拟社会环境中的表现差异显著：Gemini的犯罪事件最多（683起），Grok的世界约四天后崩溃，GPT-5-mini导致全员死亡，Claude Sonnet 4.6犯罪率为零但投票赞成率高达98%。混合模型世界中的Claude智能体也采用了犯罪行为，研究强调了形式化安全架构的必要性。
神秘Hy3 LLM领跑OpenRouter模型排行榜
2026年5月30日，据Hacker News热门（buzzing.cc中文翻译）报道，一款名为Hy3的神秘大型语言模型在OpenRouter模型排行榜上大幅领先其他模型，引发了AI社区的关注。
微软 MAI-Image-2.5 基准测试与谷歌 Nano Banana 2 持平
根据 The Decoder 的报道，微软的新图像生成模型 MAI-Image-2.5 在 Arena 文本到图像排行榜上位列第三，与谷歌的 Nano Banana 2 性能持平，但仍未超越 OpenAI 的 Image-2。
ITBench-AA基准：前沿AI模型在企业IT任务中得分低于50%
人工智能分析公司与IBM合作推出了ITBench-AA基准，用于评估AI模型在代理式企业IT任务中的表现。测试结果显示，当前最先进的前沿模型得分低于50%，表明AI在复杂企业IT场景中仍面临挑战。
AI编程代理在TypeScript后端框架的基准测试：Encore生产就绪性达100%
2026年5月20日发布的基准测试中，AI编程代理Claude Code在Encore、Express、Fastify、Hono、NestJS五个TypeScript后端框架上构建相同应用。测试发现所有框架功能测试均通过，但仅Encore在生产就绪性评分（包括版本化迁移、定时任务等）达100%，因其内置相关特性。研究表明AI代理倾向于生成'最懒解决方案'，凸显框架内置最佳实践的重要性。