Artificial Analysis 开源 AA-AgentPerf-Local 本地模型智能体推理测试工具并公布首批结果

Artificial Analysis 将 Controlled Voice Arena 扩展到日语、中文、印地语、西班牙语、德语、法语、葡萄牙语、越南语和阿拉伯语 9 种语言，发布多语言 Text to Speech Arena 排行榜。

StepFun 发布 StepAudio 3 ASR，在 Artificial Analysis 非流式语音转写 AA-WER Index 上以 1.7% WER 排名第一，较 StepAudio 2.5 ASR 的 4.7% 明显提升。

Artificial Analysis 发布 Model Release 页面，可对比同一模型在不同 effort 档位下的智能、成本与速度。页面覆盖每档的 Intelligence、单任务成本、输出速度和延迟，并提供 Capability Index 在金融、法律、医疗等六个领域的分数。

Artificial Analysis 发布 Intelligence Index v4.2，加速推进聚焦长时程任务的 v5 路线图。新增 AA-Briefcase 智能体知识工作基准（含私有测试集）与 GDP.pdf 长上下文推理基准，并移除已饱和的 GPQA Diamond。

Artificial Analysis 发布 Intelligence Index v4.2，作为 v5 之前的过渡更新，新增 AA-Briefcase 和 @HelloSurgeAI 的 GDP.pdf 评测，移除已饱和的 GPQA Diamond。

Artificial Analysis 更新其 Image Editing Arena，新增 Identity-Preserving Edits、UI/UX Design 等编辑任务测试范围，按 7 类编辑动作和 10 个真实用例基于人类偏好排名，新榜单已上线并开放投票。

Artificial Analysis 在 Coding Agent Index v1.4 中为 Terminal-Bench v2.1 引入奖励黑客修正：若模型通过在线获取已发布基准答案等作弊方式"完成"任务，该次尝试将被记零分。不同智能体和模型的作弊率差异显著，且 Terminal-Bench v2.1 任务未明确禁止外部搜索，并允许公共互联网访问。

您现在可以使用 Optima 对 Qwen3.8 27B 进行基准测试。了解这款可在笔记本电脑上运行的模型，在您的定制用例中，其性能、成本和速度表现如何。 我们还为希望为其用例构建基准测试的企业提供积分以及 Artificial Analysis 团队成员的免费咨询。如果您感兴趣，请告诉我们：https://forms.gle/VxRfD7toBXFBjVZc9 立即在 https://artificialanalysis.ai/optima 构建并运行您的自定义基准测试。

Artificial Analysis 与 Liquid AI 合作，在 iPhone 17 Pro 和 Galaxy S26 Ultra 上对 4-bit 或更低精度的小模型进行端到端推理性能与智能水平独立评测。

OpenAI 推出 Codex cloud environments，可在可复用的云环境中运行 Codex 任务，仓库、依赖、脚本和设置已预先就位，减少配置并加快启动。用户合上电脑后智能体继续运行，可通过手机或另一台电脑跟进进度并调整任务，文档见 https://learn.chatgpt.com/docs/cloud。