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
Latent SpaceAI 评分4545 AINews：今天没发生太多事——Latent Space 10/1-10/2 AI 日报
AINews 10/1-10/2 日报的头条是 OpenAI 推出 GPT-6.1 Sol，定价 $2/$10 每百万输入/输出 token，低于 Astra 的 $10/$50。
Latent SpaceAI 评分7474 Gemini 4 Argon 发布，Google DeepMind 重回前沿并支持 1M 输出
Google DeepMind 发布 Gemini 4 Argon，面向编程、企业知识工作与网络防御，借助新 API 功能 Long Decode Continuation 把输出上限提到 1M tokens，初期仅通过 Fairwind 项目向政府用户和可信网络防御者开放。
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。
Latent SpaceAI 评分7373 AINews：Opus 5.5 擅长生成解释类视频
Opus 5.5 本周发布后社区口碑正面，并因大量用纯代码生成解释类视频而刷屏时间线。本期日报覆盖 12 个 subreddit、544 个 Twitter 账号。
OpenAI NewsAI 评分2828 Basis 用 GPT-6 Astra 完成税务工作簿，速度是 GPT-5.6 Sol 的 2 倍
GPT-6 Astra 完成一个 50-tab 税务工作簿的速度是 GPT-5.6 Sol 的 2 倍。它对用户意图的理解更强，让 Basis 对真实场景中的使用更有信心。
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。
Simon Willison精选AI 评分7979 Claude Opus 5.5、GPT-6 Sol 和 GPT-6 Luna 发布，模型价格战升级
Anthropic 发布 Claude Opus 5.5，OpenAI 约一小时后发布 GPT-6 Sol 和 GPT-6 Luna，多家模型定价普遍下调。
推荐理由：作者用一张横向定价表和自己跑的实测，呈现了三款新模型的价格变化与 max 档的实际表现。
OpenAI NewsAI 评分3030 Parallel 用 GPT-6 Astra 将研究时间与成本减半
Parallel 借 GPT-6 Astra 让其智能体研究并综合劳动力市场数据，耗时较此前模型减半，成本同样降至一半。GPT-6 Astra 由此把同等任务的时间与开销同步压缩到原来的一半。
Latent Space精选AI 评分7676 Xiaomi MiMo-V2.6-Pro 1T-A42B 发布，成为新的顶级开放权重模型
Xiaomi 发布 MiMo-V2.6 系列原生全模态模型，MiMo-V2.6-Pro 以 1.02T 总参数 / 42B 激活参数成为新的顶级开放权重模型，另有 MiMo-V2.6-Flash 与最高 20x 输出提速的 MiMo-V2.6-Pro-UltraSpeed。
推荐理由：文中给出 RL 训练的批量、上下文与 token 步长细节以及开源范围，便于判断开放 RL 环境的价值。
NVIDIA BlogAI 评分5454 NVIDIA Vera Rubin NVL72 在 MLPerf Inference v6.1 首秀，吞吐最高达 GB300 NVL72 的 3.7 倍
NVIDIA Vera Rubin NVL72 在 MLPerf Inference v6.1 首次提交中亮相，在 Qwen3-VL 上吞吐最高为 GB300 NVL72 的 3.7 倍，在 DeepSeek-R1 上最高为 2.5 倍。
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。
Microsoft Research精选AI 评分7171 Microsoft Research 开源智能体训练框架 Orchard，小参数模型在 SWE-bench Verified 达 69.7%
Microsoft Research 开源智能体训练框架 Orchard，核心是基于 Kubernetes 的可复用环境服务 Orchard Env，支持在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 中直接训练智能体，并同步发布训练数据与评测方法。
推荐理由：环境层与三套训练配方一并开源，读者可以据此判断小参数模型在真实 harness 中训练能达到什么水平。