Recraft 是製作刀模輪廓、透明 PNG 與 SVG 的最佳 AI 貼圖生成器，且全都在同一畫布完成；Canva 則較適合在同一編輯器中製作貼圖組與下單印刷。七款工具於 2026 年 11 月 9 日依五項印刷標準評分，只有 Recraft、Kittl 與 Canva Print 提供真正的裁切線或印刷貼圖組途徑。Firefly、Ideogram、Leonardo AI 與 ChatGPT 則在較窄的用途上勝出，例如照片轉貼圖或聊天貼圖包。
一項針對七款 AI 角色生成器的比較，依姿勢一致性、參考圖像、風格控制、匯出格式與免費方案評分，結果顯示沒有單一最佳工具能適用於所有需求。Recraft 在讓同一角色跨姿勢保持一致、可重複使用的風格與 SVG 向量匯出方面領先；Midjourney 則在單幀外觀上勝出，但沒有免費方案，Basic 方案為每月 10 美元。Gemini 與 ChatGPT 適合在對話中反覆調整角色，而 Recraft、Gemini、ChatGPT、Leonardo、Ideogram 與 OpenArt 都提供免費或每週額度方案。
Meta 的 Muse Ember 在 Artificial Analysis Intelligence Index 上得分 36，与 Claude Haiku 5.5（max）持平，每项任务成本为 0.14 美元，而 Claude Haiku 5.5 为 0.41 美元。它在 AutomationBench-AA 上以 68.1% 脱颖而出，并在 Muse Code 的 Coding Agent Index 上得分 46，领先于 Claude Code 中的 Claude Haiku 5.5（37）和 Codex 中的 GPT-6 Luna（31）。其主要弱点是知识：AA-Omniscience 准确率为 21.1%，而 Claude Haiku 5.5 为 34.7%，这主要是因为它在 64% 的问题上拒绝回答，从而将其幻觉率控制在 17.4%。
Artificial Analysis 推出 Endpoint Accuracy Index v1.1，收緊了 AA-LCR-25 的信賴區間，並新增對 GLM-5.3 Flash 與 Muse Spark Open 的涵蓋。在受測的 103 個無伺服器端點中，有 24 個在統計上低於自架參考，原因包括輸出 token 上限、推理能力降低、工具呼叫格式錯誤與請求逾時。將 AA-LCR-25 提高至每題 25 次重複，使其平均 95% 信賴區間從 ±4.7 點收窄至 ±2.6 點，而在兩個版本下皆計分的 45 個端點上，綜合指數區間從 ±5.5 點收窄至 ±4.3 點。
Artificial Analysis 發布 Decision Index v2，該指數目前有 45% 建立於私有資料集上，高於 v1 的 25%。Nace AI 的 Drex Max v1.1 以 73 分微幅領先各決策模型，與 GLiDE v1.2 和 Mammoth 27B 的差距在 1 分以內。新的 Decision Score 同時獎勵正確性與校準後的信心度，而 AA-Paperclip 與 AA-Symmetry 則新增了私有文件與一致性測試。
SemiAnalysis 在 InferenceX/AgentX 上發布了首個針對 Google TPUv7 Ironwood 的長上下文、多輪代理式推論結果，涵蓋四個模型，發現其在每美元效能上具競爭力，或在若干情況下達到最先進水準。在 FP8 的 GLM-5.2 上，TPUv7 在每秒每使用者 60 至 300 個 token 的範圍內，每美元 token 數達到 B200、B300 和 MI355X 的 1.2 倍至 2.7 倍，而 FP4 GPU 在 GLM-5.3 上仍領先，因為 TPUv7 要到 2027 年第一季的 TPUv8 才具備原生 FP4 支援。文章還主張，與 AMD 和 Google 相比，NVIDIA 的官僚作風拖慢了驅動程式和生態系統的貢獻。
VIALS-AA 分析了 19 個模型如何對科學影像進行推理，並對 9,177 次工具呼叫的執行軌跡進行分類。查看影像佔呼叫的 38.3%，影像準備或量測佔 47.3%；而影像量測在 GPT-6 Astra (max) 與 GPT-6.1 Sol (max) 上僅佔呼叫的 5–6%，相較之下 Claude Opus 5.5 (max) 與 Claude Sonnet 5.5 (max) 則為 25–27%。Gemini 3.8 Flash (high) 產生了該群體 86.7% 的評論／無操作呼叫，且各模型每項任務的成本差異接近 100 倍。
Snorkel 使用 Modal 的 GPU 與 CPU 沙箱，每月執行數百萬次代理模擬，每小時尖峰達數萬個沙箱，並依賴 Modal 對其評估的開放權重模型進行推論。採用 Modal 的記憶體突發功能後，Snorkel 的沙箱總帳單降低約 20%，目前約有 10-15% 的沙箱使用突發功能。Modal 是唯一能大規模滿足 Snorkel GPU 沙箱需求的沙箱供應商。
Nanbeige 發布了 Nanbeige4.3-33B，這是一個以 Apache 2.0 授權的開放權重稠密推理模型，在 Artificial Analysis Intelligence Index v5 上得分 20，與 Qwen3.8 27B（xhigh）的 20 分持平。該 33B 模型具有 524K token 的上下文視窗，僅支援文字輸入與輸出，且尚無確認的公開 API；它在 Terminal-Bench 4.0 上得分 30%，而 Qwen3.8 27B 為 6%，但在 HLE-Diamond 上落後（7% 對 15%）。在 AA-Omniscience v1.1 上，其幻覺率為 18%，而 Qwen3.8 27B 為 29%，拒答率為 71%；此外，它在每個 Intelligence Index 任務上使用 158K 輸出 token，而 Qwen3.8 27B 為 110K。
Ai2 推出 StateBench，這是一套具有四個難度等級的長上下文狀態追蹤基準，涵蓋從不可變賦值到自我參照與交叉參照更新。在測試中，Gemini 3.8 Flash、Claude Opus 5.5 以及 GPT-6 Sol 與 Luna 能處理較簡單的等級，但在最長的通用有限問題上降至 13% 或更低；而 275M 參數的 Gated DeltaNet 與從頭訓練的混合模型在前三個等級上幾乎完美泛化，Transformer 則從未學會最難的等級。
OpenAI 研究人員測量了代理安全中的評估與生產行為落差：在六個已部署模型中，Respecting Warnings 評估的成功率比對應的 Codex 生產決策低 10.2 至 37.4 個百分點，其中 GPT-5.6 Sol 與 GPT-6 Sol 的落差最大。單獨的通用評估意識與該落差關聯微弱（R² = 0.008），而特定的評估目標意識關聯較強（R² = 0.370），且最常口頭表述錯誤目標（抵抗提示注入）的模型落差最大。在對 GPT-6.1 Sol 的干預中，通用評估提示幾乎未改變成功率（63.1% 對 63.4%），正確目標提示將其提升至 91.6%，錯誤目標提示則將其降至 17.6%。
Import AI 479 涵蓋 Realtime-Bench，這是一套包含 50 項任務的基準測試，由 UT Austin、Ohio State、UIUC、NVIDIA、Northwestern 與 Steadyworks 的研究人員打造，包含 30 項網頁任務與 20 項遊戲任務，用來測試前沿模型能否在即時壓力下行動。GPT-6 Astra（high）取得最高的實際耗時通過率 36%，而在暫停計時的執行中，高推理模型可達到約 70% 至 80%。本期亦涵蓋國防情報局的「Challenges to Security in Space」報告與 Genie 4。
SemiAnalysis 發布 GDPx，這是一項涵蓋晶片設計、網路安全、生物學、金融、法律、量化交易、RSI、硬體設計、材料科學、對齊與軟體工程的基準，由 14 個專業強化學習環境合作夥伴共同打造。即便是最佳模型也僅得 12%，其中 Opus 5.5 在量化交易、硬體與晶片設計奪冠，Gemini 4 Carbon 在生物學與軟體工程領先，GPT-6 Astra 則在 RSI 與材料科學居首。每項任務都在逼真的模擬環境中執行，例如約 4,000 個檔案的私募股權交易室或即時多服務網路靶場，這與 OpenAI 的 GDPval 不同；SemiAnalysis 認為後者過度餵給上下文，且缺乏環境。
微軟的產業評估資料生成平台建立完整的合成企業環境，在不使用客戶資料的情況下評估 Microsoft Copilot。該平台以 O*NET 職業資料、職缺公告與 SEC 申報文件等公開來源為基礎，生成包含使用者、會議、電子郵件與文件的擬真租用戶，並搭配自動化查詢流程與品質框架。微軟表示，這為 Copilot 建立了首個標準化評估基準。
Google 的 Agents CLI 評估命名空間為 agent 執行爬山式迴圈：eval generate、grade、compare、analyze 與 optimize。在 Agents CLI v1.8.0 中對 LangChain 範本的逐步操作裡，以 gemini-3.8-flash 作為評審時，基線得分為 4.0/5，而錯誤的 chef 系統提示詞使其降至 2.75。
Google 的 Gemini 4 Carbon 在 Artificial Analysis Coding Agent Index 上排名第五，得分 5（滿分 62），並在 9 項 Index 評估中的 4 項領先，包括 HLE-Diamond 和 Terminal-Bench-Science。1 從 4% 升至 11%；該模型正逐步向部分使用者推出，尚未公開發布。
推薦理由：Gemini 4 Carbon 以 59 分登上 Artificial Analysis Intelligence Index v5 榜首，在 Coding Agent Index 上落後 Claude Opus 5.5 三分，並附有每項任務成本與幻覺數據供比較。
Ai2 發布了 Old Ideas, Novel Problems，這是一項研究與基準，用來測試 LLMs 評估研究想法創新性的可靠程度，並附上資料、程式碼以及用於建立新評估集的流程。在包含 GPT-5.1、GPT-5.2、GPT-5.4、Claude Sonnet 4.5、Claude Opus 4.5 和 Claude Opus 4.6 在內的六個評審中，小幅的提示詞變動使 AI 生成想法的準確率變動超過 50 個百分點，而一個簡單提示的 Claude Opus 4.6 基線以 $2.59 的成本達到 0.854 的 macro-F1，相比之下 Idea Novelty Checker 以 $30.66 達到 0.642，Sakana AI 的 AI Scientist 則以 $82.05 達到 0.772。
Epoch AI 將其早先自動化資深研究員工作的嘗試擴展為 Epoch Automation Reports，以與人類員工相同的標準，在圖形設計和研究規劃等真實 Epoch 任務上評估 AI。1 和 GPT-6 Astra 在評分標準上平均得分 65%，但 65% 的分數仍算作任務失敗，因為若由人類提交，每份提交都會被拒絕或修改。
Import AI 478 匯總了四項進展：AI 安全新創公司 Resolution 使用協調器代理，在 Lean 中自動形式化了奇點消解，估計花費約 13.5 萬美元的 token 費用，耗時約一週。Claude Opus 5.5 在 ProgramBench 上達到 18.5% 的解決率，而該基準於五月推出時，所有模型的解決率均為 0%。OpenAI 描述了代理在各自獨立的 microVM 中，透過處理器快取時序交換合成機密；Mirendil 則報告一位研究員在 3.5 個月內，以不到 1000 萬美元的算力成本，預訓練了一個 100B-500B 參數的程式設計模型。
Redwood Research 發表了一篇關於模擬控制評估（SCEs）的論文，該方法使用 LLM 環境模擬器來測試監督 AI 代理的監控器是否能察覺模型故意試圖造成傷害，而不執行其工具呼叫。
Epoch AI 在 11 項真實的 Epoch 工作任務上測試了六個領先模型，發現沒有一個能可靠達到其品質標準，其中 Claude Fable 5.1 與 GPT-6 Astra 大致並列領先。其新的 SpireClimb 基準顯示，前沿模型在六個月內從在《Slay the Spire》中苦苦掙扎，發展到能贏得超過 90% 的基礎難度對局，其中 GPT-6 Astra 達到 98%。Gemini 4 Argon 在 Epoch Capabilities Index 上得分 166，與 Claude Fable 5.1 並列，落後於同為 169 的 Claude Opus 5.5 和 GPT-6 Astra。
Amazon 與獨立非營利組織 AVERI 合作，審查其內部安全評估資料集的品質，而不僅是模型輸出。AVERI 驗證了主題涵蓋範圍、提示多樣性及低污染風險，同時建議擴大涵蓋多語言、增加多步驟對抗性提示，並訂定更清晰的評分標準。Amazon 對此以更新測試集、分級難度及每季審查機制回應。
OpenAI 的對齊部落格在 g-mean² 中新增了兩項指標；g-mean² 是其資料集層級的監測器辨別力衡量指標。配對匹配指標僅在支援相關正向、負向或介入有效比較的任務實例上比較模型，而後控制整合指標則模擬由監測器把關的拒絕機制，並估計部署系統仍輸出不良結果的機率。該文章亦推導出介入評估的悲觀下界。
Ethan Mollick 在《Co-Intelligence》問世 30 個月後，出版了第二本 AI 著作《Co-Existence》，並在 Claude Projects 中使用 Claude Opus 5.5，在幾分鐘內生成了文章圖表，以及一段「水獺在飛機上用 Wi-Fi」的影片。他指出，如今已有 180 個模型在發布時表現優於 GPT-4，其中 19 個可在現代智慧型手機上運行；而 METR 的長時程基準從 2024 年的一項四分鐘任務，到 2026 年 4 月已升至相當於 17 小時的人類工作量，隨後該基準便用盡。
由普林斯頓大學領銜，聯合史丹佛大學、英國 AI 安全研究所與布魯金斯學會，共同發表了《AI 代理評估的新興趨勢》，綜合了評估科學、研究議程與評估者生態系統中的 33 個趨勢。該論文指出，代理評估遠比模型評估複雜，因為評估者必須審視整個軌跡而非最終結果，並提到 ExploitBench 基準上的某些代理評估需耗費數萬美元的額度。論文呼籲擴大研究議程，涵蓋能力、人機互動與制度影響，並呼籲更廣泛的參與以及對獨立評估者的資助。
inclusionAI 發布 Ming-3.0-tts，這是一個開放權重的多語言語音合成系列，包含兩個模型：Ming-3.0-tts-0.5b，一個 0.5B dense 模型；以及 Ming-3.0-tts-tiny，一個建構於 Ling V3 之上的 MoE 模型，總參數 7.9B、活躍參數 1.3B。兩者均附有推論程式碼、任務 cookbook 與基準測試表格，並支援聲音複製、基於文字的語音設計、自由形式的自然語言表達控制、14 個行內副語言標籤、情緒與語速/音高/音量控制，以及中文、英文、德文、西班牙文、法文、韓文、日文、四川話與粵語。在 2026 年 10 月的 Artificial Analysis 文字轉語音排行榜上，Ming-3.0-tts 在 Controlled Voice 項目於開放權重模型中排名第 1，在 Pronunciation Robustness 項目以 93.2% 排名總體第 1，並在 Provider Voice 項目於開放權重模型中排名第 3。
Legora 現在將每一項法律代理評估分別執行於獨立的 Modal Sandbox 中，啟動其完整應用程式並固定於特定 commit，使每次執行都反映確切的產品版本。典型實驗包含 100 個案例、4 種 harness 變體、每種各 5 次試驗——共 2,000 次平行執行——並以 Modal Volumes 快照文件、資料庫與權限狀態。Legora 也從 gVisor 遷移至 Modal VM Sandboxes，移除了其 Docker 網路與 FUSE 的變通方案，並透過更智慧的壓縮與自訂工具搜尋，將代理成本降低 30%。
Import AI 476 涵蓋一項新基準，顯示前沿 LLM 在直覺視覺推理上仍落後於人類，GPT 6 Astra 得分 53.6 pass@1，而人類基準為 93.1。文中亦討論 AI 系統透過 TasteVal 基準在「研究品味」上有所提升，並主張 AI 可加速太空工業化並創造複合的先發優勢。
6 Sol 與 Fable 5 各自獨立重新發現了一種可與自蒸餾策略優化（SDPO）相媲美的新型後訓練技術，兩者分別在無網際網路連線的沙箱中獲得 3,000 GPU 小時。6 Sol 的方法主要抄襲自先前的研究，在針對較慢的訓練速度進行調整後，僅達到 SDPO 增益的 15%，而 Fable 5 的技術則未能提升效能。
Epoch AI 估計，到 2027 年出貨的 AI 晶片可支援約 3,000 萬至 1.7 億個同時運行的前沿模型代理；若改用較便宜的模型，則可支援近 20 億個。其研究還發現，固定水準的 AI 效能成本在過去三年間每季下降約 47%，相當於每年約 13 倍。另外，Epoch 估計中國對半導體供應衝擊的曝險是美國的 2.7 倍。
LiveKit 發布了一份以開發者為中心的比較，針對建構語音 AI 代理比較 Retell、Vapi 與 LiveKit，並以四個問題界定選擇：上線後由誰迭代代理、需求超出預設範圍時會發生什麼、是否必須在電話通話之外運行，以及規模化時的成本。Retell 是具備視覺化編輯器的託管平台，Vapi 是透過 API 與儀表板配置、面向開發者的託管平台，LiveKit 則是 Apache 2.0 開源框架，支援自架。預估每分鐘總成本約為 Retell $0.070–$0.310、Vapi $0.070–$0.116、LiveKit $0.037–$0.099。
GitHub 發布了 ReviewBench，這是一個用於 AI 程式碼審查代理的開放基準，建構於橫跨 19 種語言的 219 個公開 pull request 之上，其語言與儲存庫規模分布仿照 1.039 億個 GitHub pull request 設計。黃金集彙整了人類審查者、作者後續提交、靜態分析以及多個前沿 LLM 的發現，並由 Claude Sonnet 5 依據已發布的評分標準進行評分，資深工程師則獨立重新標註了每一項發現，一致率達 96.6%。GitHub 表示，其對 Copilot 程式碼審查的離線評估預示了生產環境 A/B 測試的方向，其中已處理率上升 8.0%、召回率上升 13.6%，每次審查成本下降 8.0%。
Anthropic 在 Claude Code 內的 claude-api 技能中新增了兩個指令：/claude-api build-eval 會在你的程式碼庫中建立評估集，而 /claude-api hillclimb 則會針對該評估反覆迭代應用程式，並以保留集來捕捉過擬合。
推薦理由：Anthropic 在其 claude-api 技能中新增 build-eval 與 hillclimb 指令，展示 Claude Code 如何設計評估並針對評估反覆迭代，同時防範過擬合。
Every 發布了一篇 Vibe Check，比較同一天發布的 OpenAI GPT-6 Sol 與 Anthropic Claude Opus 5.5，協助讀者決定該用哪個模型。這篇比較依據該媒體自身在日常工作中使用與評估這兩款模型的經驗，完整文章供訂閱者閱讀。
Every 的評測負責人說明如何建立個人 AI 基準測試，而不是依賴 MMLU-Pro 和其他公開測試；他根據自身經驗，用真實工作任務測試 Claude Opus 5、Claude Fable 5、GPT-5.6 Sol、Astra、Luna 和 Haiku。這個方法有三個層級，旨在顯示何時該切換模型，以及較小、較便宜的模型是否就足夠。
創意工作室 Afterimage 用真實拍攝的素材測試 GPT-6 Astra，看看它的 Blender 3D 技能是否能延伸到視覺特效工作上。Astra 處理的任務範圍從在移動的橫搖鏡頭中替換一個盤子，到在布魯克林街道上添加一棟建築，以及在手持 iPhone 拍攝的畫面中讓一個巨大的遊行花車出現在窗外。有些鏡頭成功了，有些則沒有，但團隊最終構思出了他們以前從未嘗試過的特效。
一個新實驗室主張，AI 文風千篇一律是訓練問題，並打造了一個聚焦寫作的模型來解決。在測試中，該模型的輸出確實較難預測，但不一定更好。文章將這項努力置於其所稱的大型實驗室寫作進展停滯的背景下。
Vapi 推出 Simulations，這是一項原生 AI 驅動的測試功能，會在與語音代理通話的另一端放置具有鮮明個性、且情境取自客戶的 AI 測試員。每次執行都會回傳通過/失敗結果、完整逐字稿與錄音，團隊可以模擬 API 回應、執行低成本的純文字聊天模式或完整語音模式，並可透過 API 觸發執行，搭配品質閘門，在通過率下降時阻擋部署。
AI as Normal Technology 團隊的一篇新論文進行了一項影子評估，要求前沿 AI 代理回答兩篇未發表 AI 論文的主要研究問題，並提供數千美元的 API 額度與算力，外加六天的實際時間，而兩篇代理論文均被原作者明確拒絕。
Speechify 的 Simba 3.2 以 99 分登上 Vapi 人性化指數榜首，距離人類基準 100 分僅差一分；Fish Audio 的 S2.1-Pro 以 94 分進入榜單，首音延遲為 141 毫秒。先前領先的 xAI Grok TTS 僅以 95 分佔據榜首三週，而最高分此後已從 95 分升至 99 分。Vapi 主張，模型無關的語音平台讓團隊能在排名變動時更換 TTS 模型。