GPT-6-Astra 以每题 $2.40 的成本解决 50 道物理研究题中的 49 道
GPT-6-Astra 在 OpenAI 的 Codex coding environment 中以 49/50 题、98% 的准确率完成理论物理研究任务，平均每题成本低于 $3，整套评测约 $116。Anthropic 的 Opus 5.5 获得 92%，Gemini 3.8 Flash 为 68%，但该评测主要考察常规研究计算，尚不代表 AI 已能独立提出重要物理理论。
#评测/基准
The DecoderAI 评分3939
Ars Technica · AIAI 评分6464 White Circle 研究称 RISE 可绕过 OpenAI 与 Google 图像模型安全防护
White Circle 的研究显示，使用公开模型构建的 RISE 攻击方法可绕过 DALL·E 3、Nano Banana 2 和 GPT-Image-2 的部分安全限制。在人工确认的测试中，DALL·E 3 的显式图像生成率最高约为 13%，Nano Banana 2 低于 10%，GPT-Image-2 约为 3%。研究计划开源完整攻击流程，并主张由第三方开展模型安全测试。
tldraw BlogAI 评分4949 tldraw 迷宫实验：Haiku 击败 Sonnet 与 Opus
tldraw 让 Haiku、Sonnet 和 Opus 在 240 场迷宫竞赛中挑战 3 种启发式方法，Haiku 以 163 场最快完成、68% 的胜率居首，并展现出更快的纠错效率。
Microsoft ResearchAI 评分5252 Microsoft Research 发布 StudentSim 改进 AI 导师研究系统
Microsoft Research 提出 StudentSim，用公开且去标识化的学习记录训练个性化学生模拟器，并在 StudentSimEval 中评估其行为还原与指导响应能力。
GitHub Blog · AI & MLAI 评分5656 GitHub 发布 ReviewBench 开放基准，评测 AI 代码审查智能体
GitHub 发布面向 AI 代码审查智能体的开放基准 ReviewBench，公开数据集、评测 rubric、LLM judge 提示词和自助运行器。该基准包含来自 187 个开源仓库的 219 个 pull requests，覆盖 19 种语言，其语言和仓库规模分布参考了 GitHub 上 103.9M 个真实 pull requests。