ITBench-AA 基准测试：所有前沿模型在真实企业 IT 任务中得分不及格——最高只有 47%
一个刚发布的基准测试，把 AI Agent 在企业级场景的「真面目」暴露了出来。
ITBench-AA 由 Artificial Analysis 和 IBM 联合推出，聚焦 SRE（Site Reliability Engineering）场景。59 个任务，每个需要 Agent 通过 Shell 命令调查 Kubernetes 事件快照，提交根因诊断。 这不是问答，不是代码生成，是真实的运维诊断——需要 Agent 像一个初级 SRE 一样工作。
结果？所有模型得分都低于 50%。
排名
模型得分推理轮次成本/任务
Claude Opus 4.7 (max)47%~7N/A
GPT-5.5 (xhigh)46%~12N/A
Qwen3.7 Max42%~20N/A
Gemma 4 31B (Reasoning)37%~8$0.14
完整排名见 HuggingFace Blog。
第一个矛盾：「越想越不对」
最有意思的发现不是排名，而是推理轮次与准确率的关系。
Claude Opus 4.7 用了约...
中国 AI 的一攻一守：Qwen3.5 跑出 580 tps，Cognition 估值 260 亿美元
5月27日，两个数字——一个关于速度，一个关于金钱——同时刷新了中国 AI 的天花板。
Qwen3.5 跑出 580 tokens per second。 在 TokenSpeed 推理引擎上，针对 Agent 工作负载。这个速度由通义千问推理团队、Lightseek Foundation 的 TokenSpeed 团队、NVIDIA 和 Mooncake 联合实现，并采用了 FlashAttention-4（FA4）优化。
Cognition 估值 260 亿美元。 Devin 的母公司完成超 10 亿美元融资，Lux Capital 和 General Catalyst 领投。年化收入 4.92 亿，企业用量年初至今增长超 10 倍。
来源：X: Alibaba_Qwen /...
Google I/O 2026 复盘：Gemini 月活 9 亿、全栈 Agent 化、世界模型，Google 用「生态反击」回应了所有人
如果你这周只看了一场发布会，你可能会以为 Anthropic 和 OpenAI 是这个行业唯一的两个玩家。
5 月 20 日 Google I/O 把这种印象彻底打碎了。Pichai 开场用了不到 20 分钟甩出一组数字：Gemini 月活 9 亿（一年前是 4 亿），覆盖 230 个国家 70 种语言，Google Search 的 AI Mode 查询量每季度翻倍。然后才是产品：Gemini 3.5 Flash、Omni 世界模型、Spark 跨应用 Agent、Agent Payments Protocol。
但 Google I/O 2026 真正值得关注的东西不是单一产品，而是一个模式：Google 在用生态宽度打...
DeepSeek V4 发布，华为同步官宣：一场没有宣战的技术战争
DeepSeek V4 发布与华为昇腾同步适配，背后不只是模型升级，而是国产 AI 软硬件生态的一次集中亮相。