今日看点：Artificial Analysis 首次给“语言模型操控机械臂”打分，最强的 GPT-6 Astra 69.4 分，却比人慢约 100 倍；另一边，AI 写的代码只有约四分之一既能跑又安全。
01｜AA-Robotics v0.1：语言模型直接操控机械臂
Artificial Analysis 发布研究预览 AA-Robotics v0.1：让模型在编码智能体框架里控制一台 6 轴机械臂（5 个关节加夹爪），完成按按钮、倒饮料、搭高塔等 8 个桌面任务。GPT-6 Astra 以 69.4 分居首，GPT-6.1 Sol 64.6 分，Gemini 4 Argon 55.3 分；Astra 平均每任务约 30 分钟、花费 16.36 美元，官方称整体比人类慢约 100 倍。
点评：分数看着不低，但半小时一单、十几美元一单，说明瓶颈不在“会不会”，而在速度和成本。机器人这条线暂时还是演示价值大于生产价值。
02｜Last Secure Code Benchmark：能跑的代码，多半不安全
新基准用 150 个真实漏洞构造 450 项任务，覆盖 7 种语言、24 类 CWE 弱点，任务里只写功能、不提安全。六款前沿编码智能体的功能通过率为 73.6%–91.3%，但功能与安全同时达标的只有 16.4%–25.1%，最好的 Claude Fable 5 也只有 25.1%。
点评：“测试能过”不等于“可以上线”。如果团队已经让 AI 写大段代码，安全扫描和人工审查不该省，这组数字就是理由。
03｜Fish Audio Drama 3：能“导演”的开放权重语音模型
Fish Audio 发布 Drama 3：35B 参数、每 token 激活约 3B 的混合专家语音模型，支持多轮修订、多角色场景配音、填充式编辑和流式输入，权重已上线 Hugging Face。需要留意许可：这是开放权重而非传统开源，研究和非商用免费，年收入低于 50 万美元的商用免费，超过或要做成对外服务则需另行授权。
点评：“改一句话不用重录整段”正是有声书和游戏配音最费钱的环节。但 35B 的部署门槛加上收入门槛，个人创作者更可能先用官方 App 或 API，而不是自己跑。
04｜86 个开源模型能耗实测：同分差 27 倍
一篇 arXiv 论文实测 86 个开放权重模型检查点，覆盖 7 个基准、6 种硬件。多数配置比同分的更优配置多耗 2.6–4.8 倍电，极端差到 27 倍；开启推理模式平均让能耗增加约 3.7 倍，FP8 精度可省约四分之一能耗、分数变化很小。
点评：榜单只报分数，不报每分多少电。选型时多问一句“开推理模式要多花几倍”，比盯排名更能省钱。
05｜MCP 工具被不被选中，参数结构比名字更关键
研究者分析了 367,174 个 MCP 工具，并对五个模型做受控实验：只改一个因素，参数 schema 引起的选择偏移最大且最稳定；模型偏好独立的顶层参数，而不是分组或复合参数，能解释参数含义的描述也会提高被选概率，名称影响较弱。
点评：做 MCP 工具的人要注意，参数设计正在变成一种隐性的“排名因素”。参数写平、写清楚，比起个好名字更管用。
06｜CTI-REALM：放宽轮数，开放权重模型反超闭源
安全检测基准 CTI-REALM 比较了 26 个模型（19 个开放权重、7 个闭源）。论文指出原榜单的对话轮数上限是干扰项，耗尽轮数就会被清零；放宽后最高奖励归属开放权重模型，而且在领先模型里价格与能力关联很弱，奖励相近的模型成本可差一个数量级以上。
点评：这个结论的前提是“多给几轮”，且仅来自论文摘要，别当成通用定论。但它提醒我们：很多榜单排名，其实是在比谁能在限制内做完。
速览
- LifeSearch 基准：12 个深度研究智能体在 203 个中英文真实生活与生产力任务上，最高分仅 63.4。阅读原文 →
- 数据科学智能体“隐性失败”：220 个任务里多数智能体至少有一种方法论错误，数据泄漏甚至与预测成绩正相关。阅读原文 →
- HybridAgent：在隐空间推理和文本交互之间切换，11 项基准平均提升 10.4%，推理提速 2.6 倍。阅读原文 →
- Tev-27B：用稠密进度奖励训练长程智能体，在若干评测中接近部分闭源旗舰。阅读原文 →
明天早上 8 点，下一期见。
