GPT-6-Astra 在 TheoPhysEval 基准测试中解决 49/50 物理研究问题
GPT-6-Astra 在 OpenAI Codex 环境下运行，于 TheoPhysEval 基准测试中解决了 50 个理论物理研究问题中的 49 个，准确率达 98%，平均每题成本低于 3 美元。
#评测/基准
#评测/基准
今日 1 条The DecoderAI 评分1212
The DecoderAI 评分2626 研究：AI智能体团队相比单体智能体质量提升微乎其微且成本高昂
Vals AI测试显示，GPT-6 Sol和Claude Opus 5.5组建智能体团队后，成本增加1.8至5.1倍，但仅在中等推理下带来7.3分微弱提升。Anthropic与OpenAI的研究均证实，多智能体主要换取速度而非质量，大规模扩展因协调税导致收益递减。
The Verge · AI精选AI 评分3131 Alexa Plus 使用一年评测：家居控制出色但个人助理功能未成熟
The Verge 记者 Jennifer Pattison Tuohy 发布 Alexa Plus 使用一年的评测，认为其是目前测试过的最佳智能家居助手，但在执行复杂请求、记忆功能和作为个人助理方面仍不稳定且令人沮丧。
推荐理由：作者通过一年实测指出Alexa Plus在家居控制上表现最佳，但广告干扰和智能体功能不成熟仍是主要痛点。
量子位AI 评分1212 联想天禧TianxiCode配合DeepSeek-v4.1-Flash登顶SWE-bench-Live全球第一
联想天禧AI自研代码智能体框架TianxiCode配合DeepSeek-v4.1-Flash，在SWE-bench-Live评测中以71%问题解决率获全球第一并通过官方Verified认证。该架构具备跨文件检索、自主规划及测试驱动自愈能力，未来将集成至联想AI硬件产品中赋能开发者。
OSCHINA 开源中国AI 评分1212 四款顶级大模型各用100美元预算开发PDF编辑器均现Bug
Gemini 3.8 Flash、GPT Astra 6、Opus 5 和 Fable 5 四个前沿模型在各自 $100 预算下自主开发的开源 PDF 编辑器，经测试发现几乎每个功能点几下即露馅。研究者 nielstron 指出，coding agent 无法像人类一样与软件交互，导致其生成的代码存在大量缺陷。
量子位AI 评分2020 UniPat AI发布PaperBenchX基准，GPT-6 Astra论文复现率仅13.98%
UniPat AI推出首个多学科端到端论文复现基准PaperBenchX，测试显示表现最强的GPT-6 Astra完整复现率仅为13.98%。该基准覆盖12个研究方向与10种科学环境，通过隔离重跑验证证据以评估AI科研能力。目前团队已开源12个代表性任务，并维护81个封闭任务以保障评测区分度。
Simon WillisonAI 评分1212 Qwen3.8-27B 本地模型加法测试：禁用推理准确率仅 23.57%
Qwen3.8-27B 本地量化模型在禁用推理时，将整数和转换为英文单词的数值准确率为 23.57%，格式合规率 96.17%。启用中等推理后，169 个案例中 167 次正确，显示推理能力对复杂计算至关重要。
优设网 · AI 情报精选AI 评分8484 Seedream 5.0 Pro 深度测评：聚焦交互式精准编辑与多场景工作流
作者基于Lumina平台对Seedream 5.0 Pro进行了全面测试，重点验证了其交互式精准编辑功能，包括通过框选、点选和画笔工具进行局部修改、材质球替换及Hex色值调整。该模型在草图转绘、产品海报生成及复杂信息图制作中表现出高一致性和可控性，支持将生成结果无缝接入后续设计流程。目前该模型已在即梦、豆包、Lumina及火山方舟API上线，图层分离功能预计近期推出。
推荐理由：作者通过大量案例实测了Seedream 5.0 Pro的交互式精准编辑能力，展示了其在材质替换、色号迁移及多图融合中的可控性优势。
OSCHINA 开源中国AI 评分3333 飞捷科思推出全模态世界感知与物理推理评测基准FysicsReason
飞捷科思正式推出全球首个面向全模态世界感知和物理状态推理的评测基准FysicsReason。该基准旨在解决现有体系仅关注最终答案、难以验证模型是否准确感知关键支撑信息的痛点，填补了全模态AI在过程评估上的空白。
Microsoft ResearchAI 评分4747 MindTopo 基准揭示多模态模型拓扑推理能力差距
Microsoft Research 推出 MindTopo 基准，评估多模态模型的拓扑推理与规划能力。测试显示模型在静态识别上表现优于交互式规划，且在维持连通性、封闭性等结构关系时易失效。该发现凸显了 AI 在机器人及交互环境中保持拓扑一致性的关键短板。