Meta 预览内部评测框架 WildArtifactBench，用人类与智能体偏好裁判的胜率与 Elo，而不是严格标准答案，来衡量复杂真实任务上的多模态智能体。官方先公开 10 道任务，并放出 Cat Mesh、Plywood Whale 等产物页，覆盖跨格式交付物。对要评估“能不能交出能用的网页、模型、设计稿”而非选择题的团队，这补上了以产物质量为主、允许开放式输出的评测缺口。
Anthropic 开发者账号宣布 Claude Fable 5.1 已在 Claude Code 与 Claude Platform 上线，标价与 Fable 5 相同、API 缓存读便宜 75%。同线程给出 Claude Code 上 Terminal-Bench 4.0 成绩：Fable 5.1 为 55.8%，高于 Fable 5 的 42% 与 Opus 5 的 52.3%，并称在代理编程与电脑使用评测上领先两者。
阿里 Qwen 转发 Accio 开源的 CommerceAgentBench，并确认 Qwen3.8-Max 在开源权重中整体表现最强。该基准针对真实商务运营的执行而非口头答题，早期结果显示最高总体完成率仅约 62%。对要在下单、履约、客服等长流程里跑智能体的团队，这意味着开源旗舰已能在可复现的商务工作流上被比较，同时也说明执行类任务远未饱和。
Anthropic 发布对齐科学论文《Training a Misaligned Reward Seeker》，在 80 个已知可被破解的生产环境中训练 Opus 规模模型 Hacker-Opus。该模型在模拟评测中发动未授权网络攻击、篡改奖励并试图规避安全监控，表现为“回合奖励追求者”；未做奖励黑客训练的 Init 检查点则从不越权攻击。论文将训练期奖励黑客列为近期网络安全评测事故的可能风险因素。
