ARC Prize 实测各大推理模型：ARC-AGI-1 无明显赢家，ARC-AGI-2 仍未被攻克
ARC Prize 测试了各大实验室的 AI 推理系统，在 ARC-AGI-1 上得出准确率与成本的 Pareto 前沿，没有单一赢家：追求最高准确率选 OpenAI o3-medium/o3-high（o3-preview low 为 75.7% 但单任务 $200）。
推荐理由：ARC Prize 用统一基准横向比较各大推理系统，给出按准确率、成本和效率选型的具体建议，可直接用于模型选型。
#xAI
#xAI
今日 0 条ARC Prize：官方博客精选AI 评分7070 ARC Prize：官方博客精选AI 评分7272 ARC Prize 2025 结果与分析：NVARC 以 24.03% 夺冠，官方聚焦 refinement loop 与知识过拟合
ARC Prize 2025 结束，Kaggle 冠军 NVARC 在 ARC-AGI-2 私有集上取得 24.03%（每任务 $0.20），大奖仍未被认领；共 1,455 支队伍提交 15,154 份方案、90 篇论文，获奖方案与论文全部开源。
推荐理由：官方复盘 ARC Prize 2025 结果，提出 refinement loop 框架，并分析知识过拟合与基准设计需要演进的问题。
arXiv：cs.CL（计算语言学，全量分类）AI 评分5050 τ-Multilingual：跨语言语音智能体基准测试
研究者推出 τ-Multilingual，将 τ-Voice 扩展至西班牙语、巴西葡萄牙语、印地语、韩语和普通话，经母语者审核并评估生成语言与语音输出。在 4,500 通全双工通话和五种语音配置中，西班牙语、葡萄牙语和印地语的任务完成率与英语相差 3.2 个百分点以内，韩语和普通话分别下降 14.7 和 8.4 个百分点。
Import AIAI 评分6666 Import AI 462：AI说服力超越人类专家、自我维持AI时间线与DeepMind探讨通向ASI的路径
Import AI 第462期报道多项研究：牛津、UK AISI、斯坦福与LSE的实验（4项研究、18,978段对话、6,923人）显示AI文本说服力稳定超越专家人类，Opus 4.1和Opus 4.6最强，AI为Save the Children募集真实捐款的效果约为专业募捐员的3倍；限制AI写作速度和长度可抹平差距。
Sierra：Blog（RSS）精选AI 评分6767 Sierra 发布 𝜏-voice 基准：在真实音频条件下评测实时语音智能体
Sierra 联合普林斯顿发布 𝜏-voice 基准，将 𝜏-bench 的 278 个客服任务与全双工语音、环境噪声、电话压缩等真实音频条件结合，统一评测任务完成与对话动态。
推荐理由：Sierra 把任务完成与真实音频对话合并进同一评测，语音智能体八个月内从 30% 提升到 67%，可与文本基准直接对比。
Sierra：Blog（RSS）AI 评分6262 Sierra 发布 𝜏³-Bench，将智能体评测扩展到知识库与实时语音
Sierra 发布 𝜏³-Bench，在 𝜏-Bench 基础上新增 𝜏-Knowledge 和 𝜏-Voice 两个评测域，并合并社区对原有领域的修正。