据Ethan Mollick在One Useful Thing撰文并于Twitter账号@emollick引用，他通过“求职面试”情境自建基准，检验LLM在追问、推理与决策质量上的真实表现。根据One Useful Thing，自建任务基准揭示了与公开榜单不一致的差异，包括幻觉抑制、思维链稳定性与指令遵循能力。依据One Useful Thing，企业可将销售线索资格判定、合规审核、客服分诊等核心流程转化为可复现实验集，用于供应商选型与提示工程优化。按照One Useful Thing的方法，采用版本化提示、固定评分量表、金标准答案与周期复测，可监测模型更新漂移并量化业务影响，为落地评估提供可操作框架。

据@timnitGebru称，Anthropic被指夸大模型能力、渲染“AI末日”叙事，并宣扬其被批评为“反人本”的创始哲学，此观点源自Spiked于2026年2月22日的报道。根据Spiked的分析，争议集中在对齐研究与长期主义伦理的公共叙事，可能影响风险感知与政策议程。对企业方而言，Spiked指出该讨论或将带来监管方向的变化，包括能力宣传合规、模型风险披露与安全评测透明度等要求上升。依照Spiked的报道，这或促使模型供应商加强第三方评测、以标准化指标校准能力声明，并在安全研究与政策倡议之间保持边界，从而影响上市节奏、合规成本与企业采购门槛。

据FoxNewsAI消息，并由福克斯新闻报道，白宫科技领导层阐述了全球AI战略的四大重点：国家安全防护、创新激励、国际标准协同与负责任落地。根据福克斯新闻，该战略将加速联邦机构采用AI并配套安全测试，推动政企联合研发与可信数据流通，用于模型训练与评估。福克斯新闻还称，战略强调跨境安全基准、算力与供应链安全，并优先建设AI与STEM人才 pipeline。依据福克斯新闻，此举为国防科技集成商、云与芯片供应商、合规与模型评测工具厂商带来新增需求，包括安全托管、模型测评、溯源与内容署名能力。

据 Ethan Mollick 在 X（Twitter）发布的消息称，许多基准以更小更便宜的 LLM 充当评审，但新研究显示弱评审无法可靠评估更强模型；基准应视为“数据集、被测模型、评审”三元组，评审正成为饱和瓶颈（来源：Mollick 2026 年 2 月 22 日帖子）。据 Mollick 转述，该研究表明当评审能力落后于被测模型时，评估出现系统性偏差与性能低估。这对以分数驱动上线的 AI 产品带来业务风险，也为提供高能力评审、人机协同裁决与元评测工具的厂商带来市场机会。根据 Mollick 的总结，论文建议基准设计者公开评审规格、测试评审一致性，并在评测前沿模型时配置更高能力的评审预算。

据@godofprompt报道，Eachlabs推出了模型对比功能，用户可用同一个提示词同时测试10个主流AI视频模型，无需切换平台或重复操作（来源：twitter.com/godofprompt/status/2005720608315957556）。该工具直观展示Nano Banana Pro、Kling 2.5、Wan 2.5等模型在画质、风格和表现力上的差异，大幅提升AI视频制作选型效率，有助于企业和创作者快速决策，提高内容生产竞争力。