新基准开测「AI第六感」！人类一眼秒懂，最强模型只拿53.6分

港科广新基准：只给截图，AI能把App交互做出来吗？

新智元报道，港科广团队提出基准UI2App，只给静态UI截图、不提供功能说明或操作轨迹，考察模型能否推断并实现截图隐含的应用行为，并把这种能力称为「交互推断」（Interaction Inference）。该基准包含600张截图、95组多页面Web应用、665个「应用-交互类别」评测项，覆盖7类常见交互，并按状态作用范围分为S1局部UI状态、S2组件共享状态、S3跨路由状态；评价分EXEC（能否构建运行）、VFS（视觉相似度）和IIS（交互推断与实现）三个维度。文中举例Gemini 3.1 Pro Preview的VFS为73.2、IIS为8.1，Claude Sonnet 4.6的VFS为71.3、IIS为36.8。附论文、项目主页和代码链接。适合关注前端代码生成与UI Agent评测的研究者阅读。

AI进屋后，下一眼该看哪？观察智能体如何建立三维空间认知

新智元报道，介绍 SpatialScout 这一主动空间理解研究任务：模型从 RGB 图像出发，自主决定相机移动与拍摄，并估计目标物体在三维空间中的坐标。评测使用来自 iTHOR、RoboTHOR、ArchitecTHOR、ReplicaCAD 和 ProcTHOR 的 80 个室内场景、3,140 个目标实例，每个任务最多 100 轮交互，评分采用平均 IoU 及 IoU 超过 0%、50%、90% 的比例。文中给出 7 个模型、8 种配置的比较结果，如 Opus 5.5 任务平均 IoU 为 41.71%。文内附论文、代码和数据集链接。

GPT-6「看不懂 3D」实锤！250道题只拿0.53分，Claude没及格

新智元报道 UniPat AI 与 Elorian AI 推出的 benchmark ScienceVision，覆盖生物、化学、医学影像、建筑和机械 CAD 五个科学领域、22 个子领域，共 250 道基于真实三维数据构建的专家级视觉问答题目，要求模型自主操作三维对象完成观察、测量与分析。文中称表现最好的 GPT-6 Astra（搭配 Codex）得分 0.53（满分 1），12 个前沿模型中没有模型在五个学科同时领先，并描述了五个领域的示例检视操作与公开体验入口。适合关注多模态模型三维理解评测的人阅读。

英国 AISI 与 EvalEval 如何让基准结果可复现

How UK AISI and EvalEval Are Making Benchmark Results Reproducible

Hugging Face 博客文章（2026 年 9 月 22 日），介绍英国 AI 安全研究所（AISI）使用 EvalEval 联盟的基础设施公开分享评测结果，以支持更可复现、可验证的评测研究。文中提到双方此前在 NeurIPS 2025 期间的联合工作坊上开展合作，AISI 的反馈参与塑造了 Every Eval Ever（EEE）schema，此次合作是把该基础设施投入实际使用。文章还说明了可复现评测报告的重要性，指出重复运行评测本身可能成本高昂。适合关注 AI 评测方法与基准复现的读者。

「AI开始接管论文示意图了」耶鲁LGW Lab发了一篇很有意思的博客：他们把“画论文配图”这件长期靠科研人员硬扛、却又极…

微博帖子，介绍耶鲁 LGW Lab 的一篇博客：他们把一个用于画论文示意图的开源 skill 做成包含说明文档、绘图库、3D 组件和自动检查的能力包，产出带代码的 SVG、PDF，可在 Illustrator 或 Inkscape 中继续修改。他们用 100 多篇不同学科近期论文作数据集，遮掉与原图相关的描述后让模型据正文重建示意图，以“看起来像不像正式发表的 Fig.1”评估，迭代约 15 个版本；帖子称加上 skill 后 Opus 5.5 和 GPT-6 Astra 生成的图完成度明显高于裸跑，平均一张图不到 20 分钟，并提到作者承认该方法对新概念仍依赖详细技术描述、细节会出错。适合做科研、需要为论文绘制示意图的人阅读。