AINews：Opus 5.5 擅长做讲解视频
AINews 汇总 9/24-9/25 动态，Claude Opus 5.5 本周发布后反响积极，以 88.4% 领跑 SimpleBench，并被指在生成讲解视频上表现突出。
推荐理由：汇总一周内多个模型与工具的动态，便于快速了解前沿模型在基准、成本和视频生成上的位置。
评测基准
全部主题模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
最新精选
第 1–4 条 · 共 4 条Latent Space精选AI 评分7777
Google DeepMind精选AI 评分6262 Google DeepMind 联合新加坡 AI Safety Institute 试点全球首个双盲 AI 评测
Google DeepMind 宣布推出全球首个针对专有前沿级 AI 模型的双盲评测，将外部评测限制在加密环境中，使模型无法提前接触测试题目。该试点与新加坡 AI Safety Institute、OpenMined、AVERI 和 MLCommons 合作，在隐私保护环境下用保密基准测试 Gemini Flash Lite 模型。
推荐理由：DeepMind 与新加坡 AI 安全研究所等机构用加密隔离环境对 Gemini Flash Lite 做双盲评测，读者可了解基准污染之外的技术性解决路径。
Import AI精选AI 评分7777 Epoch 与 METR 发布 MirrorCode 基准：AI 可完成数周规模的编程任务
Epoch 与 METR 发布 MirrorCode 基准，让 AI 仅凭 CLI 访问重实现软件程序，25 个目标程序中 17 个有满分运行，Opus 4.7 用 14 小时、251 美元推理成本完成 METR 和 Epoch 估计人类需 2-17 周的任务。
推荐理由：MirrorCode 用 25 个真实程序衡量 AI 自主重实现能力，Opus 4.7 花 14 小时完成人类需数周的任务。
Google DeepMind精选AI 评分6363 WeatherNext 如何帮助美国国家飓风中心提前预测飓风 Melissa 登陆牙买加
Google DeepMind 的 AI 天气模型 WeatherNext 帮助美国国家飓风中心提前五天预测飓风 Melissa 将以五级强度登陆牙买加，置信度 80%，三天前升至接近 100%。
推荐理由：读者可以看到 WeatherNext 在真实飓风预报中同时预测路径与强度的表现，以及 NHC 年度验证报告的对比结论。