声称全球第三、支持8小时长时推理：未官宣的GLM-5.1真能刷新开源模型天花板？
winzheng.com Research Lab监测到突发行业信号：Z AI发布未官宣的GLM-5.1模型，声称位列全球关键基准第三、属开源顶流，当前该信号尚未经独立核实。本文梳理已披露信息、待验证疑点及潜在行业价值，后续将推出实测报告。
AI基准测试 (共7篇)
MLCommons 发布 MLPerf Client v1.6：性能优化与用户体验升级
MLCommons 近日发布 MLPerf Client v1.6，这是评估个人电脑 AI 性能的最新基准测试套件。该版本针对笔记本电脑、台式机和工作站等设备，模拟真实生成式 AI 任务，如文本摘要、内容创作和代码分析，提供响应速度和吞吐量等标准化指标。新版更新了 Windows ML 和 llama.cpp 等核心运行时，支持 Apple 平台的 MLX with Metal 和 llama.cpp with Metal，提升性能与兼容性。同时，优化了图形界面启动速度、添加进度条，并允许禁用下载确认提示，提高重复测试效率。该基准由 AMD、Intel 等公司协作开发，开源免费，可通过 mlcommons.org/benchmarks/client 下载。（128字）
MIT
下载专栏：零工在家训练人形机器人，更优AI基准测试
本期《下载》专栏聚焦两大热点：尼日利亚医学生Zeus等全球零工通过VR设备在家远程操控人形机器人，助力Figure AI和Tesla Optimus等项目积累训练数据，开启低成本机器人训练新时代。同时，AI基准测试迎来革新，新标准更准确评估模型性能，推动行业透明度提升。这些进展揭示AI与机器人领域的劳动力变革与技术跃进。（128字）
MLCommons发布MLPerf Inference v6.0基准测试最新结果
MLCommons近日公布了行业标准MLPerf Inference v6.0基准测试套件的最新结果。此次更新包括五个数据中心测试的新增或升级，以及边缘系统的全新物体检测测试。主要亮点有基于GPT-OSS 120B的开源大语言模型基准、扩展的DeepSeek-R1推理测试、首创的顺序推荐基准DLRMv3、文本到视频生成基准，以及基于YOLOv11 Large的物体检测升级。这些变化确保基准测试紧跟AI部署的真实场景，提供全面性能评估。多节点系统提交量激增30%，最大系统达72节点288加速器，彰显行业对大规模推理的重视。24家组织参与，推动AI透明与创新。（128字）
MIT
AI基准测试失效了，我们需要什么替代方案？
数十年来，人工智能评估一直围绕机器是否超越人类展开，从国际象棋到高级数学、编程和散文写作，AI模型的表现总被与个体人类在孤立任务上的成绩对比。这种框架虽诱人，却忽略了AI在复杂、真实世界中的局限。基准测试饱和、数据污染等问题频发，导致评估失真。文章呼吁转向系统级、多模态和长期规划的新基准，以真正衡量AI潜力。（128字）
Anthropic推出Claude 3.5 Sonnet：在编码与视觉任务上领先GPT-4o
Anthropic发布Claude 3.5 Sonnet模型，在SWE-bench编码基准达75%，数学和视觉任务超越GPT-4o。X平台互动超10万，转发量暴增，开发者赞其推理能力革命性提升，点燃OpenAI与Anthropic新一轮AI竞赛。
MLPerf Client v1.0发布：首款客户端AI推理基准测试结果
MLCommons近日公布MLPerf Client v1.0基准测试结果，这是首个针对移动和边缘设备的AI推理基准，涵盖图像超分辨率、分类、目标检测、语音转文本、聊天机器人和图像生成六大任务。首次引入Llama 3.1 8B Instruct聊天机器人任务，Qualcomm、MediaTek、Samsung等厂商提交结果。测试场景包括Offline、Server、SingleStream和MultipleStream，突出设备端高效推理性能，推动移动AI标准化发展。本轮结果显示Arm Total Design平台在聊天机器人任务中表现出色，标志着客户端AI基准迈入新阶段。（128字）