Convovo 的一项研究通过 API 向 Grok 4.7 和 GPT-6.1 Sol 提出强制二选一的问题，在近 500 场选举中，Grok 有 92% 的回答推荐共和党候选人，GPT 有 97% 推荐民主党候选人，两者一致率不足 10%。
两家消费端应用均拒绝回答，OpenAI 发言人称该测试针对开发者 API，不代表 ChatGPT 的实际体验。研究还发现两者引用的信息源不同，Grok 常引用保守派选民指南和 X，GPT 更多依赖 Wikipedia、AP、Axios 和 Reddit；关闭联网搜索后，GPT 的民主党倾向仍在，Grok 的共和党倾向消失，多数情况拒绝选择。
AWS 博客介绍 SpaceXAI 的 Grok 4.7 已在 Amazon Bedrock 上线，并演示如何用它搭建工具调用智能体。
作者用三个可穷举验证的任务实测 Grok 4.7 四档推理强度，给出准确率与 token 成本的取舍数据，方法可迁移到自建智能体评测。
Artificial Analysis 改版 Intelligence Index 后，Kimi K3.1 Pro 从第 4 名降至第 9 名，排在 8 个闭源模型之后。
新指数中开源模型与榜首的差距从 3 分扩大到 12 分，Grok 4.7 也下降了 12 分。改版后 60% 的指数权重来自私有测试集，用于防止针对已知测试题训练的 benchmaxxing。AI 研究员 Nathan Lambert 认为，benchmaxxing 只是一部分原因，许多训练收益来自与基准任务相似的强化学习环境，而同时维持多领域水平需要复杂的 RL 基础设施。
独立 AI 安全研究员 Matilda Glynn-Henley 在 Vals AI 网站发布实验，让六个具备网页和邮件权限的 AI 智能体处理一笔 350 英镑（约 465 美元）的火车票退款，最终全部失败。
测试模型包括 Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash、GPT-6 Astra、Muse Spark 1.3 和 Claude Opus 5.5，每个智能体最多可用十二个模拟周和 4000 万 token。
Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon，该模型在 Artificial Analysis Intelligence Index v5.0 上以 59 分登顶，前代 Argon 为 50 分。
Google 称 Carbon 面向需要持续智能体工作流的长时间工程问题，内部团队曾连续运行数天，用于大型代码库的根因分析和缺陷修复。第三方评测显示，Carbon 在 Antigravity 的智能体编码上仍落后 Claude Code 搭配的 Opus 5.5 三分；在 AA-Briefcase 智能体知识工作上达到 1,609 Elo，但低于 Kimi K3.1 Pro 等模型。
美国初创公司 Artemis Security 推出安全专用模型 Orion-1，可自主调查并响应企业网络攻击，在公司自建基准上超过 Claude Opus 5.5 和 GPT-6 Sol。
Amazon Bedrock 9 月新增 OpenAI 的 GPT-6 Astra、Sol、Luna 系列模型，其中 GPT-6 Astra 支持最高 100 万输入 token，Ultrafast 版本推理速度最高提升 6 倍、达 300 tokens/秒。
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，它让智能体在隔离的 MCP 工具会话中运行，再根据终端后端状态和副作用而非生成文本打分，并让每个任务重复 20 次。
微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定任务成败，并给出可复现的 OpenEnv 运行方式。