Gemini 4 Carbon 登顶 MathArena，测试成本约为 GPT-6.1 Sol 的 15 倍
Google 的 Gemini 4 Carbon 在 MathArena 数学基准中登顶，但在测试所用推理设置下，成本约为 GPT-6.1 Sol 的 15 倍。
#评测/基准
The DecoderAI 评分5050
The Verge · AIAI 评分6868 Claude Duet 智能体实测：有些神经质，却也出乎意料地有用
Allison Johnson 实测 Claude Duet 一周，发现它能跨邮件、日历、Google Docs 和 Slack 主动发现工作安排中的疏漏，但也会误判期限的紧迫程度。
Simon WillisonAI 评分6565 Gemini Decisions API 评测：对比决策模型价格、多模态输入与概率输出
Simon Willison 对比并实测 Google 的 Gemini Decisions API，其 Gemini Decision 1 支持是非题、选择题和量规评分。
GitHub Blog · AI & MLAI 评分5252 GitHub 介绍 ReviewBench：面向 AI 代码审查的开放评测基准
GitHub 开放 AI 代码审查基准 ReviewBench 的研究预览版，提供公开数据集、评估方法、自助运行工具和排行榜。基准参考 103.9 million 个 GitHub 拉取请求的分布，收录来自 187 个公开开源仓库、覆盖 19 种语言的 219 个拉取请求，并使用 Claude Sonnet 5 按统一标准评判问题，资深工程师独立复核的一致率为 96.6%。