Google 发布 Gemini 4 Argon，瞄准机器人全流程统一模型
Google 发布 Gemini 4 Argon，试图用单一模型覆盖机器人控制、仿真环境构建和训练视频评估。演示中它从一张照片生成 4500 多个仿真训练回合，使真实机器人成功率从 56% 提升到 75%，执行时间从 35 秒降到 24 秒。
推荐理由：文章用多个演示和基准对比，呈现 Gemini 4 Argon 在机器人仿真、控制与数据评估上的能力边界。
#评测/基准
The Decoder精选AI 评分7878 AWS Machine Learning BlogAI 评分4141 用 Amazon Bedrock AgentCore 构建可信 AI 智能体的生产级评估框架
AWS 的 Sales, Marketing, and Global Services 团队基于 Amazon Bedrock AgentCore Evaluations 搭建了面向生产环境的多智能体持续质量评估框架。
The DecoderAI 评分7575 Gemini 4 Argon 在 ARC-AGI-3 得分 97.5%，但测试方式影响显著
Google DeepMind 的 Gemini 4 Argon 在 ARC-AGI-3 上以 Provider Adapter Harness 测试环境取得 97.5%，成本 4800 美元，成为继 OpenAI 之后第二家跨过 95% 的实验室，仅次于 GPT-6 Astra 的 99.9%。
Latent SpaceAI 评分7070 AI Engineer NYC 大会：Gemini 4 Argon 正式发布与 Vals AI 基准讨论
Gemini 4 Argon 正式 GA，覆盖 Gemini API、Gemini 应用、Search AI Mode 和 Antigravity，入门 API 价格为每百万输入/输出 token 2/10 美元，缓存输入折扣 95%。
Microsoft ResearchAI 评分2222 Microsoft 研究播客：AI 会犯哪些错，失败能教给我们什么
Microsoft 研究合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中与首席应用科学家 Chad Atalla 对话，讨论评估如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“意外失败”。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码评审开放基准 ReviewBench
GitHub 发布 AI 代码评审离线基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布特征，构建了覆盖 19 种语言、187 个开源仓库的 219 个 PR 评测集。