Surge AI连发三份真实职场评测，将旗舰模型从旧榜90分打到二三十分，揭示跑高分与能交付之间的鸿沟，引发AI排行榜信用重估。
Scale Labs推出Humanity's Sixth Sense基准，用522项图像与视频任务测试直觉视觉推理，人类通过率93.1%，而最强模型GPT-6-astra仅53.6%、中位数模型30.9%，暴露出AI在空间、因果与社会理解上的巨大鸿沟。
评测机构Einsia推出World Models' Last Exam in Physics基准，用40项受控任务评估8个视频模型的物理一致性，Seedance 2.5以57.76分居首，而通过连续性筛选的自由落体视频平均仅26.61分，视频世界模型的物理理解仍远未达标。
谷歌发布新一代旗舰模型Gemini 4 Argon，在多项知识工作基准测试中超越OpenAI和Anthropic，但在终端操作等任务上仍有短板。