依意思最接近的 13 筆
阿里資料等團隊提出基準健康指數（BHI），從能力區分度、抗飽和度、影響力三個維度給 158 個 LLM 評測基準打分，論文已被 NeurIPS 2026 評測與資料集賽道接收為 Oral。結果顯示 Humanity's Last Exam 以 67.05 分居首，Agents' Last Exam（53.08）和 AutomationBench（52.68）緊隨其後。研究基於 117 個模型的技術報告，用留一基準法估計模型能力，並驗證隨機移除 30% 模型後排序相關係數仍高於 0.97。
Artificial Analysis 將模型智慧指數升級到 v5.0，評測集換成 9 項新基準。Knowledge Work、Coding、Science、General 四類各佔 25%，單項權重最高為 15%，分別是 AA-Briefcase v1.1、FrontierCode 2.0、Terminal-Bench-Science 0.1 和 AA-Omniscience v1.1；
Meta 公布一套由人類主導的健康科學研究框架，由 Muse Spark 1.3 與 Muse Wonder 驅動，可訪問 500 萬份回顧性去標識化電子健康記錄及公開資料。一組醫學專家用該系統開展原創研究，加速假設生成、程式碼執行與論文撰寫，科學決策權仍完全由人類掌握。Meta 同時公開了由此產出的 10 篇研究論文，覆蓋心臟病學、腫瘤學、傳染病、急診醫學等領域。
Artificial Analysis 發布 Intelligence Index v5，Claude Opus 5.5（max）以 58 分居首，GPT-6 Astra 57 分、GPT-6.1 Sol 55 分緊隨，Gemini 4 Argon 50 分。
Healthleap 完成 3800 萬美元融資：紅杉資本與 First Round 聯合領投 800 萬美元種子輪，Hummingbird Ventures 領投 3000 萬美元 A 輪。這家 2022 年創立於南非的公司接入醫院電子病歷系統，用語言模型從臨床筆記中提取體重下降、吞嚥困難等線索，結合化驗與生命體徵，每晚為每位成年住院患者生成風險評分，提示營養不良、譫妄等可能漏診的情況，但不作診斷。
OpenRSI Index 正式發布，這是一個用真實開源研究專案出題、檢驗科研智慧體能否改進人類訓練方案的評測基準。任務取自 Marin、Qwen、GPIC 等專案，覆蓋預訓練、後訓練與影像生成，單次執行算力從 5,815 到 20,864 H100·小時。智慧體在工作區反覆實驗，提交後凍結快照交由獨立評測環境驗收，原作者方案在同一環境重跑作為對照，篡改獎勵、洩露評測資訊或超預算計零分。
Ai2 發布 FairStress 基準；除模型最終選擇外，它還測量模型在說服性論點下改變決定的難易程度是否因涉及群體而異。該基準包含 300 個雙候選人場景，覆蓋 29 個領域；組合身份呈現方式與對抗性字首後擴充套件為逾 1300 萬個測試用例，並另發布 5 萬條 FairStress-Core 子集，整合進 Olmo-eval。測試覆蓋 Olmo、Llama、Qwen、Gemma、Claude 與 GPT 系列，結果顯示同一論點會因受益群體不同而對模型決策產生不同影響。
NVIDIA 部落格介紹了三家 Inception 計劃中的乳腺癌 AI 初創公司，其中 iSono Health 已獲 FDA 許可的可穿戴自動化 3D 超聲 ATUSA 每側乳房約 2 分鐘完成標準化掃描，傳統手持超聲最多需 45 分鐘，公司稱其敏感度高出 28%。該系統基於 150 萬幀超聲影像訓練，已在加州、得州等地合作診所商用，並啟動 3200 名患者的多中心臨床研究。
10 月 19 日，2026 物理 AI 與世界模型大會醫療健康世界模型分會在南京舉行，江蘇省人民醫院與南京可信資料服務有限公司聯合發布五項慢病世界模型，覆蓋胰島素抵抗、糖尿病用藥、高血壓、血脂與動脈粥樣硬化、慢性腎病風險。同場發布醫療健康世界模型一體機，融合國產算力、作業系統與資料庫，支援醫院本地化部署，並啟動高品質資料集聯合建設計劃。地中海貧血篩查世界模型則以原始資料不出域的方式在院內訓練驗證。
Ai2 發布 Old Ideas, Novel Problems 研究與配套基準，結論是用 LLM 當新穎性評審並不可靠：只改 prompt 裡幾處措辭，模型分辨兩個想法哪個更新的準確率就變動超過 50 個百分點。測試涵蓋 GPT-5.1、GPT-5.2、GPT-5.4 與 Claude Sonnet 4.5、Opus 4.5/4.6，檢索與額外推理都不能穩定改善判斷，兩個專門建置的新穎性評估系統還不如直接用 prompt 呼叫的 Claude Opus 4.6 基線。
OpenAI 的 math GitHub 倉庫於 10 月 25 日發布預印本，標題直接宣稱指數時間假說（ETH）不成立。該條目在 Hacker News 上僅獲 26 分、3 條評論；目前公開資訊只有 PDF 連結，論證與細節需檢視原文。
Hugging Face 首席政策官 Irene Solaiman 在 TechCrunch Disrupt 上表示，嵌入式第三方評測員並非解決模型安全問題的簡單答案，評測仍缺乏可復現性與統一標準。她指出評測方法更新很快、彼此之間難以橫向比較，且目前絕大多數評測針對模型本身，對 harness 和完整 agent 的評測既少又昂貴；而更強的 harness 可讓較弱模型跑贏前沿模型。她認為誰有資格評測哪些任務，需要更多標準化。
聚合五類自動化對手的測試顯示，Proof of Human 檢出 99% 的自動化會話，Cloudflare Bot Management 僅 9.1%，其餘依次為 reCAPTCHA v3 69.4%、hCaptcha 44.3%、Cloudflare Turnstile 42.1%。