AI 新創 Elorian 與 Scale AI 發布了名為「Humanity’s Sixth Sense」（HSS）的新基準，旨在評估模型如何解讀並推理視覺場景中未明確顯示的隱含資訊。HSS 包含 522 個問題，涵蓋 288 張圖片及 234 個短片（共 17.6 小時），分為時間與因果動態、物理與空間邏輯、社會理解及抽象與脈絡推論四大類別。測試結果顯示，人類基準的 pass@1 得分極高，總體為 93.1%，其中圖片類 94.1%、影片類 91.9%、時間類 97%、空間類 94.9%。相比之下，表現最佳的 AI 系統 GPT 6 Astra 總體 pass@1 僅為 53.6%，各細項分別為圖片 55.6%、影片 51.1%、時間 58.2%、空間 53.6%。值得注意的是，中國開源權重模型在此基準表現不佳，GLM-5.3-flash 得分為 26.8，Kimi K3 為 25.5。常見錯誤包括遺漏決定答案的關鍵細節（佔失敗案例 21%）及誤認物體、人物或角色（佔 20%）。此基準揭示了當前前沿大型語言模型（LLM）在無需專用空間世界模型的情況下，仍能處理部分直覺視覺任務，這與認為真正視覺推理需依賴 2D/3D 世界模型的觀點形成對比。

P-Zero Research 推出了名為 TasteVal 的新基準，用於評估 AI 系統在前沿 AI 開發中的「研究品味」，包括選擇有趣問題、設計實驗及解釋結果的能力。該基準測試模型在預訓練數據策展、語言模型預訓練與微調、偏好建模及對抗性提示穩健性等 8 項任務中的表現。結果顯示，自 2025 年 12 月以來，前沿模型的實驗研究品味每 3.0 個月翻倍一次（95% 信賴區間 1.7-5.0 個月）。最佳模型 Opus 5.5 的計算倍數達到人類基準的 2.30 倍（95% 信賴區間 1.15-4.37x），且每次嘗試的成本僅為人類專家平均成本的約 1/30。研究品味在 2025 年底至 2026 年初出現顯著加速增長。作者 Jack Clark 認為，這顯示 AI 系統在創造性數學突破及 AI 研究能力上的進步，使其更有可能在 2027 年實現完整的遞迴自我改進（RSI），早於先前預測的 2028 年。

AI 新創 Reflection 發布了 5010 億參數的 MoE 模型 Beam（活躍參數 230 億），主打 Token 效率，但基準測試顯示其能力落後於中國公司的前沿模型。Beam 在 DeepSWE 1.1 得分 44.4（GLM-5.3 為 61）、GPQA Diamond 得分 90.5（GLM-5.3 為 91.7）、MCP Atlas 得分 78.7（GLM-5.3 為 84.2）。Reflection 稱 Beam 在高級推理基準上達到與 GLM-5.2 相當的分數，但推理計算量減少 3-4 倍。該模型預訓練使用了 6,144 張 GB300 NVL72 GPU 運行四周，RL 訓練則使用了約 10,500 張同型 GPU 運行四周，數據集包含 23.8 兆個高質量 Token。Reflection 計劃於本月底發布權重及技術報告。

歐洲 AI 開發商 Mistral 宣布了開源權重模型 Mistral Large 4（ML4），計劃於本月底發布。ML4 經過特別調優以擅長網路安全任務，並減少拒絕回答的情況。訓練使用了 3,800 張 NVIDIA Grace Blackwell GPU。測試顯示 ML4 將成為發布時最強的西方開源權重模型，但仍弱於中國模型。例如在 Artificial Analysis – DeepSWE 1.1 中得分 62（Kimi K3 為 68，GLM-5.3 為 61）、Terminal-Bench 4.0 得分 28.3（GLM-5.3 為 41.9）、Finance Agent V2 得分 54.7（GLM-5.3 為 55.8）。內部評估顯示，用戶在 CAD 和 STEM 任務中更偏好 ML4，而在金融和編程任務中與 GLM-5.3 表現相當或接近。

此外，文章引用 AI Frontiers 的觀點，探討 AI 如何加速太空工業化。AI 可使太空船自主運行，並允許重新設計無需載人、無加壓的太空船以降低成本。太空可能支持工業飛輪效應，使初始基礎設施帶來更多能源和製造能力，進而降低更多基礎設施的成本。領先者可能通過發射自我複製探測器擴展至深空，並利用太空的領域感知優勢拒絕其他國家進入太空。作者認為，隨著 Starship 等平台提升軌道運載能力，2030 年代太空經濟將迎來繁榮，AI 將主導太陽系活動，因為通信延遲使得自主機器比有機生命體更適合在深空作業。

事件背景

HSS 基準由 Elorian 和 Scale AI 開發，旨在測試多模態模型對視覺場景隱含資訊的推理能力，涵蓋時間、空間、社會及抽象推論。TasteVal 由 P-Zero Research 開發，通過測量模型在固定研究問題下設計實驗和解釋結果的能力，來定義「研究品味」。Reflection 是一家美國 AI 新創，Beam 是其推出的開源權重模型，強調 Token 效率。Mistral 是歐洲領先的 AI 開發商，Mistral Large 4 是其最新的開源權重模型，強調網路安全能力和自主部署。AI Frontiers 是一篇關於 AI 與太空經濟關係的文章，探討 AI 在太空自主運行、製造及地緣政治優勢中的潛在作用。