GPT-6-Astra 在 TheoPhysEval 上解出 50 道物理研究题中的 49 道，单题成本不足 3 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理论物理研究题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 解出 50 题中的 49 题（98%），平均每题成本不到 3 美元，整套基准约 116 美元。
推荐理由：读者可看到智能体在理论物理论文级计算上的实际得分与成本，以及作者对研究品味与资源门槛的讨论。
#评测/基准
The Decoder精选AI 评分8282
The DecoderAI 评分5858 Artemis Security 发布安全专用模型 Orion-1，称在自建基准上超过 Claude Opus 5.5 与 GPT-6 Sol
美国初创公司 Artemis Security 推出 Orion-1，一款可自主调查和响应企业网络攻击的模型，在公司自建基准上超过 Claude Opus 5.5 和 GPT-6 Sol。
Latent SpaceAI 评分7575 AINews：Gemini 4 Argon 正式发布，Vals AI 谈基准测试
Google 的 Gemini 4 Argon 正式 GA，覆盖编码、知识工作、企业工作流与网络防御，API 入门价为每百万输入/输出 token 2 美元/10 美元，缓存输入折扣 95%，11 月 30 日后价格翻倍至 4 美元/20 美元。
Microsoft ResearchAI 评分4242 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，一种在真实学习者测试前评估和改进 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。
Microsoft ResearchAI 评分2222 Microsoft Research 播客：AI 会犯哪些错，失败能教给我们什么
Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中与 Chad Atalla 对谈，讨论评估如何推动当前 AI 系统突破性能边界，以及模型在传统 benchmark 之外测试时出现的"意外失败"。她结合自身从数学、物理、认知科学到计算机科学的经历，分享使用当前 AI 系统的实用建议，并强调当结果偏离预期时应仔细审视数据。
GitHub Blog · AI & ML精选AI 评分6262 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 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布特征构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
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 AI 代码审查能力如何被量化比较。