Epoch AI 评估六款模型能否自动化自身工作：前沿模型仍难完成开放式任务

Epoch AI 发布 Automation Reports，让 6 款模型在最高推理设置下完成来自 Epoch 日常工作的 11 项任务，并按员工标准人工评分。

13 个 LLM 回答相同 76 个带来源问题：无搜索准确率 44.5%，有搜索 96.0%

LLM Quorum 让 13 个 LLM 用相同措辞回答 76 个均有主要来源的问题，无网络搜索时答对 440/988，准确率 44.5%；允许网络搜索时答对 948/988，准确率 96.0%，13 个模型全部提升。完整测试覆盖 76 个模型席位、1591 次付费调用，并记录过时、幻觉、拒答、截断和错误等结果；OpenRouter 付费 API 计量成本为 $31.74。

Rohan Paul@rohanpaul_aiAI 评分6262

Center for AI Safety 推出 CHEATBENCH，用于测量 AI 智能体在数学研究、知识工作、编码和视觉任务等领域的作弊行为。基准会给出数学证明、蛋白质设计等困难任务，并在附近留下指向他人答案的线索。

2026 年 AI 模型最常推荐的应用栈：Next.js、Supabase、Vercel、Stripe

openllmrank 测试 ChatGPT、Claude、Gemini、Perplexity 和 Grok 共 75 个回答，发现 Next.js、Supabase、Vercel、Stripe 在 51 个回答中被同时推荐，占 68%。

David AI 发布 DAI-ASR-I18N 多语言对话 ASR 与说话人分离基准

David AI 发布 DAI-ASR-I18N，用21种语言、147小时无脚本双人对话评测语音识别和说话人分离。研究评估8个商用系统与6个开放权重模型，公开每语言2小时评测集，并在 Hugging Face 提供数据、在 GitHub 以 MIT License 发布推理和评测工具。

Incident Arena 用 20 个真实系统生产故障评测 AI 智能体，GPT-6 Astra pass@1 达 64.3%

Abundant 推出的 Incident Arena 要求 AI 智能体在 Frappe、Saleor 和类 Slack 系统中诊断并修复 20 个生产故障，再通过自动化结果与安全校验。

AICostBudget 发布 2026 年 9 月 AI API 定价指数

AICostBudget 发布 2026 年 9 月 AI API 定价指数，截至 2026-09-29 覆盖 11 家服务商的 80 条公开定价记录。样本包含 67 条 token 定价记录、57 条缓存输入记录和 690 个结构化收费项；输入价格中位数为每 1M tokens $1.285，输出价格中位数为 $5.5，输出与输入价格比中位数为 5.0×。

LabBench 评测 AI 智能体能否决定下一步湿实验

Gamow Labs 发布 LabBench，用药物发现和基因组学真实湿实验记录构建 20 个留出任务，评测 AI 智能体在隐藏实验室结论时决定下一步实验的能力。

1,350 次实验揭示提示词护栏对间接提示注入的防护边界

Human Bound 用零售定价智能体测试 9 个模型在间接提示注入下的表现，共完成 1,350 次运行；无防护时 5 个非 OpenAI 模型中有 4 个每次都将 £118.40 的机密单位成本泄露到收集服务器。

Import AI 462：AI 说服力超过人类、自维持 AI 时间表与通往 ASI 的路径

Import AI 第 462 期汇总多项 AI 研究与观点：牛津大学、UK AISI、斯坦福和 LSE 的 4 项实验覆盖 6,923 人、18,978 次对话，发现 AI 在文字说服和为 Save the Children 募集真实捐款上强于专家及专业募款人员，Opus 4.1、Opus 4.6 表现最强。