中国 AI 模型在敏感话题上照搬官方立场或拒绝回答
Aleph Alpha 测试 967 个敏感话题发现，Qwen、DeepSeek、Kimi 等中国模型仅 17%–41% 的回答被评为平衡，其余照搬官方立场或拒绝回答；DeepSeek V4 Pro 拒答三分之二的问题。
#评测/基准
The DecoderAI 评分4444
Simon WillisonAI 评分6565 Anthropic Frontier Red Team 测评 GLM-5.3 与 Claude Mythos Preview 的二进制漏洞利用能力
Anthropic Frontier Red Team 在内部 Binary Exploitation 基准随机抽取的 100 个任务上测评多个模型，GLM-5.3 在 4% 的试验中实现完整控制流劫持，Claude Mythos Preview 为 6%。报告称这一水平已跨过明显门槛，此前的 Claude Opus 4.6 和 GLM-5.2 在这些任务上均未成功。
OpenAI NewsAI 评分3131 OpenAI 推出 MentalHealthBench
MentalHealthBench 是一个由专家参与设计的 benchmark，用于评估 AI 在真实心理健康对话中的回答是否既有帮助又安全。OpenAI 以“Introducing MentalHealthBench”的形式公布了这一评测基准，聚焦心理健康对话场景下的模型表现。
Google DeepMindAI 评分5656 Google DeepMind 试点双盲 AI 评测，把外部评测限制在密码学黑箱中
Google DeepMind 宣布试点全球首个针对专有前沿模型的双盲评测，与 Singapore AI Safety Institute、OpenMined、AVERI、MLCommons 合作，在隐私保护环境中用保密基准测试 Gemini Flash Lite 模型。