内容形态
模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
4 条精选近 30 天 3 条共收录 12 条
Google 发布地理空间推理智能体的技术报告，在 CBGB、UnivEARTH 及自研的 GeoExpertQueries、GeoKTools 四个基准上对比四种智能体配置，结果显示接入 Earth AI 专用技能可显著提升定量空间任务表现，而开放式问题还需前置规划。
推荐理由：Google 公开了地理空间推理智能体的技术报告与两个新基准，并给出与 WHO 等机构的实测案例，可了解专用工具与前置规划对空间推理的提升。
Gemini 4 Argon 今日正式 GA，覆盖编码、知识工作、企业工作流与网络防御，接入 Gemini API、Gemini 应用、Search 的 AI Mode 以及 Antigravity，并已在 Cursor、Devin 和 GitHub Copilot 中提供。
推荐理由：汇总了 Gemini 4 Argon 发布当周各家独立评测与定价变化，便于对照模型能力与成本。
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，按终端后端状态和副作用判分，而非看它生成的回答。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非回答文本判分，并给出 20 次重复下的稳定性与成本对比。
Mistral 发布 Agentic Search，作为检索层让模型在复杂文档中查找、阅读并核实信息，通过 Mistral Search Toolkit 和 Studio、Vibe 中的 Libraries 提供。
推荐理由：原文给出多步检索循环在 FinanceBench 与 OfficeQA Pro 上的准确率、token 与延迟变化，可据此判断传统 RAG 的改进空间。