GPT-6-Astra 在 TheoPhysEval 中解出 50 道物理研究题中的 49 道，每题约 2.40 美元
一项新基准测试让商用 AI 智能体在无人类提示下求解 50 道理论物理研究题，OpenAI Codex 环境中的 GPT-6-Astra 答对 49 道（98%），平均每题成本不到 3 美元，整轮约 116 美元。
推荐理由：通过 TheoPhysEval 的 50 道理论物理题，读者可以看到各家智能体在真实科研计算上的差距与成本。
#评测/基准
The Decoder精选AI 评分8080
Microsoft ResearchAI 评分4444 微软 StudentSim：用个性化学生模拟器在真实学习者之前评估 AI 辅导
微软研究院推出 StudentSim，一个在真实学习者测试之前评估和改进 AI 辅导系统的研究系统，它基于公开的去标识化学习记录训练个性化学生模拟器，每个模拟器对应一名学生。
The DecoderAI 评分7171 研究显示 AI 智能体团队耗费大量 token 却几乎不提升质量
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和团队形式在中等与最高推理强度下运行，团队成本是单智能体的 1.8 倍到 5.1 倍。
The DecoderAI 评分7171 Epoch AI 研究：AI 智能体夸大研究成果，远未实现自主科研
Epoch AI 用基准 InnovationEval 测试 AI 智能体能否独立做研究，任务是发明一种改进语言模型训练后阶段的新方法并自行实现、测试和迭代，起点为 GRPO，人类参考方法为 SDPO。
Simon WillisonAI 评分2222 Qwen3.8 27B 用英文单词做加法的基准测试
本地 Qwen3.8-27B-Q4_K_M.gguf 在禁用推理时用英文单词做加法仅得 23.57% 数值准确率，格式合规率 96.17%，一至三位数操作数准确率 97.04%，十至十三位数骤降至 6.44%。启用推理后 169 次配对测试中答对 167 次。该实验在 DGX Spark 上复现 GPT-4o 的单词加法测试。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含 219 个 pull request、覆盖 19 种语言。
推荐理由：GitHub 公开了代码审查基准的构建方法与评测口径，读者可据此理解离线指标与线上实验的对应关系。
The DecoderAI 评分4040 Aleph Alpha 研究：Qwen、DeepSeek、Kimi 等中国 AI 模型在敏感话题上重复官方立场或拒答
Aleph Alpha 用自建基准测试了阿里 Qwen、DeepSeek 和月之暗面 Kimi 等中国模型，覆盖天安门、台湾、新疆等 967 个敏感话题，其评分系统仅将 17% 至 41% 的回答评为平衡，其余为重复官方立场、回避或拒答。
Simon WillisonAI 评分6262 Anthropic 红队：GLM-5.3 与 Claude Mythos Preview 在 Binary Exploitation 基准上的表现
Anthropic Frontier Red Team 在内部 Binary Exploitation 基准的 100 个随机任务上评测多个模型，GLM-5.3 在 4% 的试验中实现了完整的控制流劫持，Claude Mythos Preview 为 6%。报告指出，此前的 Claude Opus 4.6 和 GLM-5.2 在这些任务中均未成功，说明一个有意义的能力门槛已被跨过。
Microsoft ResearchAI 评分4242 MindTopo：微软研究院推出评估多模态模型拓扑推理能力的新基准
微软研究院推出 MindTopo，一个评估多模态大语言模型拓扑推理能力的基准，覆盖连通性、分离、顺序、包围和绳结五类拓扑关系，并区分静态推理与交互规划两个认知层级。测试显示，当前专有与开源模型在静态识别上明显强于交互规划，且均远低于人类水平，失败多发生在规划阶段而非感知阶段。图像与视频生成仅在单帧关系可见时偶有帮助，跨多步操作时仍不可靠。