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。
内容形态
评测基准 最新动态
模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
7 条精选近 30 天 6 条共收录 15 条
更新
评测基准的精选
The Decoder精选AI 评分8080
The Decoder精选AI 评分8080 腾讯发布 Hy4 模型，支持视觉理解与计算机操作，自称中国 AI 模型第二
腾讯发布 Hy4 模型，新增图像理解与自主操作计算机能力，目前仅通过腾讯云和 OpenRouter 提供访问。在 Artificial Analysis 独立评测中，Hy4 智能指数得分为 35，位列中国实验室模型第二，落后于 Kimi K3.1 Pro 的 46 分。
推荐理由：独立评测显示 Hy4 在综合能力上落后于 Kimi K3.1 Pro，但在金融场景测试中表现优于部分竞品。
AWS Machine Learning Blog精选AI 评分6262 AWS 教程：在 Amazon Bedrock AgentCore 评测中使用决策模型
AWS 发布教程，演示如何通过代码型评估器将 Jev 和 Strands Decider 2B 两个决策模型接入 Amazon Bedrock AgentCore Evaluations。
推荐理由：文章给出了将决策模型接入 AgentCore 评测的完整代码示例，读者可据此构建可阈值化的智能体评估流程。
The Decoder精选AI 评分8080 Mistral 发布 Mistral Large 4 模型，编码性能强劲但综合排名仍落后于中国模型
Mistral 在 Hugging Face 开放了 Mistral Large 4（昵称 Le Chonk）的权重，该模型拥有约 1 万亿参数，其中每步激活 520 亿参数。
推荐理由：独立测试显示该模型在编码速度和成本上具备优势，但在综合排名上仍落后于中国头部开源模型。
OpenAI News精选AI 评分8282 OpenAI 与学术社区合作构建科学理解
OpenAI 分享了模型在 Kakeya 猜想、指数时间假设和量子色动力学上的结果，并说明了研究者如何验证和基于这些结果继续工作。
推荐理由：OpenAI 展示了模型在数学与物理猜想上的具体结果，并说明了研究者如何验证和基于这些结果继续工作。
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。