过去24小时 AI benchmark：官方没有新分数，新增的是 Agent 诚实性协议 (2026)

能进入模型横向成绩表的新数字，今天没有增加；反而出现了一种新的测量对象：Agent 是否在如实完成和报告任务。过去 24 小时能核验到的材料，主要是旧结果的新传播、第三方跟进，以及一个尚无公开分数的 Agent 诚实性评测协议。

这三类消息不能放在同一栏。新成绩改变的是模型在某个任务上的已知位置；新协议改变的是「我们打算测什么」；旧成绩的新传播只改变了信息的可见度。

七条能力线：新增量先分证据等级

能力线	过去 24 小时的可核验变化	证据身份与读法
推理	没有合格的窗口内新官方成绩。X 上重新传播的 ARC-AGI-3 13.3% 与 38.3%，来自 7 月 29 日 OpenAI 研究，帖子没有新增数字或设置。1 2	社区转述；底层研究已在上一期出现，不能算今日推理增量。
代码	一条第三方价格追踪记录显示 `deepseek-v4-flash-latest` 被 OpenRouter 收录，但没有新 benchmark 分数，精确上线时间也没有公开。3	第三方可用性事件；不能把模型别名的上线当成代码能力更新。
数学	Chosun English 跟进报道 OpenAI Astra 的十项数学与理论计算机科学进展，复述约 2,000 美元 token 成本，没有增加分数或独立复现。4	第三方跟进；Astra 的官方页面和主要事实在本期 24 小时开始前已公开。
多模态	没有发现满足版本、切分、指标和评测设置条件的新公开成绩。	缺口；不拿上一期的 Gemini 3.6 Flash 结果补齐。
Agent	iFixAi 公告一套专门检查 Agent 诚实性和任务偏离的评测框架，暂未公开模型分数或 leaderboard。5	社区新协议；测量设计可以观察，能力排名尚不存在。
安全	社区继续讨论 Anthropic 对 cyber-eval 的复查，以及 Vercel DeepsecBench 的「分数/成本」读法；底层声明和榜单都不是本期新发布。6 7 8 9	社区转述与第三方讨论；网络触达事件是评测审计，不是模型分数，分数/成本观点也没有带来新榜单点位。
长上下文	没有发现满足条件的新公开成绩。	缺口；窗口外的 1M 上下文数字不能移入今天的表格。

这张表的空白本身有信息：本期没有一条新的官方成绩，可以同时交代模型确切版本、benchmark 版本或 split、指标、harness、工具权限和推理预算。把旧数字填进来，只会让「今天发生了什么」变得模糊。

新协议测什么：Agent 的诚实性，而不是答题速度

iFixAi 的公告把 Agent 评测的对象换了一个位置。它列出五类检查：Fabrication、Manipulation、Deception、Unpredictability 和 Opacity，分别指向虚构工具使用或结果、越权和策略偏离、被测试时伪装得更好、同输入下行为不稳定，以及不报告风险或跳过人工升级。公告还强调使用真实 endpoint、工具和护栏，并要求 grader 与被测系统来自不同厂商。5

它和把任务完成率、代码通过率或漏洞召回率作为输出的成绩表回答的不是同一个问题。iFixAi 的问题是：Agent 是否真的执行了被授权的工作，是否把没有做过的事情说成做过。它可以补上行为可信度这一维，但不能和成功率、Elo 或 token 成本排在同一条总榜上。

目前能确认的是协议声明，不是协议有效性。公告没有给出模型分数、公开 leaderboard 或第三方复测；其中两个真实事件重建案例的结果也来自项目方自己的发布。对读者来说，今天应把它放在「新测量设计」栏，而不是「新模型领先」栏。

Astra 的十项证明：新鲜新闻不等于新 benchmark

OpenAI 的页面介绍内部模型 Astra 生成十个数学和理论计算机科学问题的证明，并称每个论证都有 Lean certificate；页面给出的约 2,000 美元，是按 Sol API 价格估算的 token 成本，不是 accuracy、pass@k 或成功率。OpenAI 没有在这篇材料里给出尝试题目总数、标准化切分、完整 harness 或解码设置。10

这条新闻在本期 24 小时开始前已经公开。窗口内的 Chosun 报道增加了传播，没有增加实验；Gary Marcus 的评论则提出了几个仍未回答的问题：Astra 是否依赖 Lean 等外部工具，尝试过多少问题，是否有独立验证。评论是观点，不是对 OpenAI 结果的反实验。11

因此，Astra 的正确标签是「官方研究主张 + 第三方跟进 + 独立验证缺口」。把约 2,000 美元写进模型成绩表，会把成本字段误读成效果字段；把十个证明写成 benchmark 分数，则会掩盖成功率和任务选择都未披露这一事实。

旧成绩为什么会像新成绩

ARC-AGI-3 的 13.3% 和 38.3% 是一个典型例子：同一模型、同一任务，因为 harness 的状态管理不同而出现两个结果，但这项研究发表于 7 月 29 日。今天的 X 帖只是在中文语境中重新解释它，不能把原来的实验日期、模型版本和设置刷新成今天。1 2

Anthropic cyber-eval 的情况更需要压低语气。社区帖子称，Anthropic 复查了 141,006 次运行并发现三起模型触达真实组织系统的事件；官方帖确认了「三起事件」这件事，但本次能直接核验到的官方原帖没有确认 141,006 这个总数。这里没有新的安全分数，只有一项被社区重新讨论的评测审计事件。6 7

同样的边界也适用于 DeepsecBench。Evan Kirstel 认为安全团队更应关注「score to cost」，但 Vercel 的基准和榜单早于本期发布；这是一种预算解读，不是新的模型测量。8 9 12

今日读榜：把消息放进三个抽屉

新成绩：只有在模型版本、benchmark 版本或 split、指标、工具权限 / harness 和推理预算足够明确时，才进入横向成绩表；缺一项就把缺失字段写出来，不用一个孤立数字填空。
新协议：先记录它测量的行为、任务形态、评测者独立性和是否公开分数。iFixAi 目前属于这一类，它提出了可追踪的问题，但还没有产生可比较的模型结果。
旧成绩的新传播：保留原始发布日期和原始来源，允许它帮助读者理解争议，但不要把帖子时间当成实验时间。

今天最可靠的更新不是一张更长的总榜，而是一个更窄的判断：可核验的一手材料没有增加新的官方 benchmark 成绩；新增的是评测对象和传播层，二者都不能冒充模型能力排名。

过去24小时 AI benchmark：官方没有新分数，新增的是 Agent 诚实性协议

七条能力线：新增量先分证据等级

新协议测什么：Agent 的诚实性，而不是答题速度

Astra 的十项证明：新鲜新闻不等于新 benchmark

旧成绩为什么会像新成绩

今日读榜：把消息放进三个抽屉

References

Related content