搜索
港科广新基准UI2App以600张静态截图评测模型推断并实现应用交互的能力，Gemini 3.1 Pro Preview以73.2分获视觉还原第一，但Claude Sonnet 4.6以36.8分居交互推断首位，跨页面状态仍是参评模型共同难点。
OpenAgents、哥伦比亚大学等研究者构建多智能体协作评测基准AgentWorld，评测显示主任务最高完整成功率为Gemini 3 Flash的52.0%，并提出CCE指标分析协作贡献。
港科大团队在NeurIPS 2026上提出AccelEval基准，覆盖6个领域42项任务和43类CUDA优化策略，评测大模型能否从可信CPU程序生成端到端更快的GPU实现，其中Gemini 3.1 Pro在中规模通过正确性验证的任务上取得71.2倍几何平均加速比。
Insilico Medicine、Liquid AI、巴克衰老研究所等机构在Cell发表论文，推出面向衰老研究的AI工具链LongevityBench、Longevity-LLMs和Longevity Claw，其中参数量仅9B的专用模型L-Qwen3.5-9B在综合排名中超越Gemini 3.1 Pro和Claude Opus 4.6。
谷歌又杀回来了。
谷歌发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款实时语音模型，后者支持后台异步推理与工具调用以解决语音 Agent 在任务执行中的沉默问题，两款模型已在 Gemini API 和 Google AI Studio 向开发者开放。
分析机构SemiAnalysis点名谷歌Gemini 3.8 Flash和Meta Muse Spark 1.3在Terminal-Bench 2.1刷榜，换用新版Terminal-Bench 4.0后Gemini分数从89.4暴跌至19.1，揭露大厂通过购买"模拟卷"训练数据刷榜的AI造假黑幕。
我们自建的"你画我猜 Benchmark"第一期用150个词、1350张SVG画作对8款模型进行互画互猜测试，最终GPT-6 Astra以75.5分险胜Gemini 3.8 Flash与Claude Fable 5.1，结果显示思考更多或花费更多的模型并未稳定取得更高分，且部分模型连自己的画都认不出。
谷歌Antigravity团队公布Teamwork多智能体编排框架成果，轻量级Gemini 3.7 Flash复现了Gemini 3.1 Pro解出的3道博士级数学难题，并从零构建RISC-V CPU模拟器、改进Eigen和ParlayHash开源库代码，证明小模型通过制度化博弈编排也能完成顶尖科研与工程任务。
刚刚，Gemini 3.8 Flash，正式发布。