跳到正文
#评测/基准
  1. The Decoder76

    GPT-6-Astra 在 TheoPhysEval 解出 50 道物理研究题中的 49 道，单题约 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理论物理研究问题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 答对 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：读者可看到前沿模型在理论物理论文级计算上的得分、成本与失败模式，以及作者对科研训练与资源门槛的讨论。

  1. GitHub Blog · AI & ML60

    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 代码审查智能体的离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，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分口径，读者可据此理解离线评测如何对应线上实验。

已经到底了