Import AI 479：太空战、低延迟任务与 LLM、Genie 4
研究人员发布 Realtime-Bench 基准，用 50 个交互式游戏与网页任务评估大语言模型的实时决策能力，测得 GPT-6 Astra（high）在 wall clock 设置下通过率最高，仅 36%，而暂停时钟下可达 70%-80%。期刊还提及美国国防情报局《Challenges to Security in Space》报告，指出中美俄太空攻防技术竞争加剧，并预告 Genie 4。
#评测/基准
Import AIAI 评分3838
The DecoderAI 评分5757 Vals 研究发现中国 AI 模型政治立场复杂，提示词语言显著影响回答倾向
Vals.ai 的评测发现，中国 AI 模型并非只会拒绝敏感问题，多数很少拒答，而是有时采纳官方立场，且亲政府倾向低于预期。测试显示简体中文提示的回答比英文更亲政府，该效应在中文模型上更明显；改为只答 yes/no、加入智能体框架或 web search 权限都会降低亲政府得分。
199ITAI 评分2828 2026年智慧城市指数：人工智能如何重塑城市生活
2026年智慧城市指数发布，伦敦以85分位居第一，迪拜、纽约、华盛顿和阿姆斯特丹均为80分，构成全球第一梯队。报告显示，约三分之一的AI领先采用城市同时拥有较多AI应用场景和较高居民成果得分，GenAI使用频率越高，居民对AI未来影响的评价通常越积极。61座城市中有37座已形成硬赋能与软赋能之间的平衡，智慧城市正从“数字化建设”进入“智能化运营”阶段。
量子位AI 评分6868 分子之心MMDesign技术报告：18/19项目获命中，6个GPCR靶点全部成功
分子之心发布MMDesign平台最新技术报告，覆盖18个靶点、纳米抗体与大环肽两类模态共19个设计项目，18个项目获得实验确认的结合分子，成功率94.7%，453个受测候选中139个确认结合，命中率30.7%。
品玩AI 评分4949 澳鹏数据发布ExamOCRBench：以端到端整页判分基准检验多模态模型真实能力
澳鹏数据发布多模态评测基准ExamOCRBench，基于2,464套中国小学真实试卷页面、22,636个小题，以整页全对为标准的PageScoreAccuracy检验端到端判分能力。
The DecoderAI 评分5050 Artificial Analysis 新版智能指数拉大开源与闭源模型差距
Artificial Analysis 全面改版其 Intelligence Index，Kimi K3.1 Pro 从第四名跌至第九名，落后八个闭源模型。新版中 60% 的测试首次采用私有测试集以防“benchmaxxing”，开源模型与榜首差距从 3 分扩大到 12 分，Grok 4.7 也丢掉 12 分。
钛媒体精选AI 评分7373 微软 MAI-DxO 登上《科学》杂志，AI 会诊准确率约83%高于医生组
微软公布 MAI-DxO 系统，让同一个大模型扮演五位分工不同的虚拟医生组成会诊小组，包括提出诊断、挑选检查、唱反调、盯成本和复核的角色，成果登上《科学》杂志。
推荐理由：原文拆解了微软 MAI-DxO 五角色会诊机制的分工细节和测试费用数据，读者可以了解多智能体医疗诊断的可行思路。
The DecoderAI 评分6363 南京大学与商汤等发布 OpenMobile-2 开源手机智能体模型并开放复现环境
南京大学、商汤等机构发布 OpenMobile-2，基于 Qwen3.5-9B 与 Qwen3.6-27B 两个智能体模型，并公开完整训练环境、数据与复现说明。
TechCrunchAI 评分6868 Convovo 研究：Grok 4.7 在 92% 案例中推荐共和党候选人，GPT-6.1 Sol 97% 推荐民主党
Convovo 由康奈尔大学教授 Tapan Parikh 领导的研究发现，在近 500 场中期选举竞选中被强制二选一时，Grok 4.7 在 92% 的回答中推荐共和党候选人，GPT-6.1 Sol 在 97% 的回答中推荐民主党，两者一致率不到 10%。
The DecoderAI 评分5858 新基准 Taste-Bench 测出 AI 智能体长期决策判断力不足
研究者提出 Taste-Bench，用 502 道二元选择题考察智能体在决策分叉点选择更优路径的能力，表现最好的 GPT-5.6 Sol 平均准确率仅 59.7%，接近随机猜测的 25% 基线。
Microsoft ResearchAI 评分4949 Microsoft Research 推出 StudentSim：用 AI 学生模拟器评估和改进 AI 辅导系统
Microsoft Research 提出 StudentSim，从公开的去标识化学习记录训练个性化 AI 学生模拟器，用于在真实学习者测试前评估和改进 AI 辅导系统。