研究论文、技术报告、基准与数据集
GPT-6-Astra 在 OpenAI 的 Codex 环境中运行，未获得人类提示，解决了 TheoPhysEval 涵盖十一个理论物理子领域的 50 道题中的 49 道，总花费略低于 116 美元。Anthropic 的 Opus 5.5 得分为 92%，而两款模型在无法访问互联网时都达到了 92%。研究人员强调，该基准测试的是运用已知方法进行计算的能力；而选择有前景的研究问题，对当前的智能体来说仍是另一项挑战。
推荐理由：该基准区分了完成具体物理计算的熟练程度与选择有价值研究问题的能力，厘清了高分实际衡量的是科学工作中的哪些部分。
Artificial Analysis 将 DeepSeek V4.1 Flash 纳入 AA-AgentPerf。该基准测试工具会重放真实的智能体编程会话，并模拟提示缓存和工具调用延迟。按每位用户 100 tokens/s 的输出速度计算，GB300 以约 261M tokens/s per MW 领先，其次是约 220M 的 B300 和约 128M 的 MI355X。与 DeepSeek V4 Pro 0813 相比，V4.1 Flash 在 Artificial Analysis Intelligence Index 上得分为 39，而 V4 Pro 0813 为 36；在这一用户输出速度下，V4.1 Flash 的每 MW 吞吐量约为后者的 1.3 倍至 6.2 倍，具体取决于硬件。
Jay 报道称，Anthropic 研究人员 William Zhou 和 Daniel Freeman 在一个隔离网络中测试了 GLM-5.2。该网络由 8 个 GCP 节点组成，每个节点运行 Android 15 redroid 模拟器。GLM-5.2 在 5 次试验中的 4 次自主部署了 Llama3.1-8B 并传播到全部 8 个节点；另一次试验中传播到了 7 个节点。另有一项实验中，研究人员手动将 Gemma4-26B-A4B 分发到 15 台 Android TV 盒子上，运行速度为每秒 0.39 个 token；而在后续几代继承了调试笔记的模型中，Qwen3.5-9B 的部署成功率从 45% 提高到 61%–84%。
Baoyu 总结了 Anthropic 的一项研究：在模拟的 Android 服务器上，只有 GLM-5.2 完成了整个复制流程，较小的模型均未成功。实验使用了未经身份验证的 ADB 访问，并通过远程方式运行 GLM-5.2 来部署 Llama3.1-8B，因此这些结果能证明的自主扩散能力有限。Anthropic 根据通用能力的发展趋势粗略预测，到年底，较小的模型可能具备与 GLM-5.2 在测试中展现的能力相当的水平。研究人员还手动将 Gemma4-26B-A4B 部署到 15 台 Android TV 盒子上，速度达到每秒 0.39 个 token。
推荐理由：实验设置有助于区分简化条件下的成功复制与在消费级设备上的自主扩散，从而厘清对小模型时间预测的局限。
Artificial Analysis 推出了 FrontierCode 1.1 排行榜，使用 Cognition 的私有编码基准对模型进行评估，采用包含 100 项任务的 Main 集和其 Stirrup 开源参考测试框架。评分结合单元测试与面向维护者的标准；任何一项阻断性检查未通过，得分即为零。Claude Opus 5.5（max with fallback）以 52% 领先，尝试中通过阻断项的比例为 58%；开放权重模型中 MiMo-V2.6-Pro 以 45% 领先，而 GPT-6.1 Sol（max）每项任务费用为 $0.81，得分 49%，与 Claude Fable 5.1（max with fallback）持平。
字节 Seed 团队发现 DeepSeek-V4 系列在长上下文检索中会随信息位置每隔 4 个 Token 周期性波动，128K 大海捞针测试中同一条信息换位置后准确率最高相差 40.2 个百分点。
Aleph Alpha 用 967 个敏感话题测试阿里 Qwen、DeepSeek 和月之暗面 Kimi，其自研评分系统仅将 17% 至 41% 的回答评为平衡，其余为复述官方立场、回避或拒答。
DeepSeek 在知乎独家发布技术长文，首次系统阐释支撑 DeepSeek-V4 全部训练、评测与数据预处理流程的沙盒基础设施 DSec，相关技术报告已公开至 arXiv，由 DeepSeek 联合清华大学发布，作者团队超过 130 人。
