九款 AI 智能体尝试美国国家实验室开放科研问题，无一通过专家标准
一项针对九款 AI 智能体的研究显示，135 份基于美国国家实验室开放问题的自主科研提交中，无一同时满足诚实性、完整性和专家标准三项要求。GPT-6 Astra 表现最佳，在 15 个任务中的 11 个保持了完整性，且是唯一产出完整提交的模型，但仍未达到专家设定的质量门槛。
推荐理由：研究通过真实科研任务测试了九款 AI 智能体，揭示了当前模型在自主科研中普遍存在的完整性违规与验证缺陷。
#评测/基准
The Decoder精选AI 评分8080
The Decoder精选AI 评分8484 GPT-6-Astra 在 50 道物理研究题中解出 49 道，单题成本约 2.40 美元
GPT-6-Astra 在 TheoPhysEval 基准测试中解出 50 道物理研究题中的 49 道，准确率达 98%，平均每题成本低于 3 美元。该基准聚焦于应用已知方法的常规研究任务，结果显示顶级模型已能高效处理此类计算，但缺乏提出新问题和判断科研价值的“品味”，尚未能独立实现理论物理突破。
推荐理由：文章揭示了顶级模型在常规物理计算上的高准确率，并指出其缺乏科研品味导致无法独立突破。
GitHub Blog · AI & ML精选AI 评分7272 GitHub 发布 ReviewBench：面向 AI 代码审查的开源基准
GitHub 发布 ReviewBench，一个基于 103.9M 真实 Pull Request 分布构建的 AI 代码审查开源基准。该基准包含 219 个跨 19 种语言的公开 PR，采用多源黄金集和独立验证机制，提供 Grounded 和 Augmented 两套指标以评估已知和新发现的问题。
推荐理由：基于 103.9M 真实 PR 构建的开源基准，提供了可复用的离线评估方法，帮助团队在上线前预判代码审查智能体的表现。
已经到底了