Artificial Analysis宣布推出Intelligence Index v5，新增FrontierCode 2.0和Terminal-Bench-Science两个基准，升级HLE-Diamond等三个基准，并首次使指数60%基于私有数据集。同时发布Progress Index v1，用于追踪模型能力随时间的变化。
Ai2发布研究报告《Old Ideas, Novel Problems》，研究大语言模型评估科研想法新颖性的可靠性，并发布配套基准测试、数据、代码及自动化评估流程。结果显示六种LLM评估器（GPT-5.1、GPT-5.2、GPT-5.4、Claude Sonnet 4.5、Claude Opus 4.5、Claude Opus 4.6）对同一想法的判断受评估设置微小变化影响显著。
Surge AI发布sudo L7最新排名，Mistral Large 4以13.3%的得分位居榜首，超过了Muse Spark 1.3（12.2%）与Grok 4.7（10.6%）。这一榜单的设立，是为了检验编程智能体能否像资深工程师那样做出正确决断。对于正在挑选AI编程助手的人，这份榜单值得参考——高分不一定代表全能，但在复杂工程决策上，它至少指出了谁更可靠。