OpenAI 内部模型发布 722 篇数学手稿，称解决 500 个公开难题中的 90 个
OpenAI 从一个未公开的内部前沿模型发布 722 篇数学手稿，归入 372 个相关结果族，来自约 4000 个研究问题的评测，平均每个结果消耗约 3 小时 ChatGPT Pro 推理算力。
推荐理由：OpenAI 内部模型一次性产出 722 篇数学手稿，读者可了解其规模、算力成本与学界对结果可靠性的分歧。
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。
4 条精选近 30 天 4 条共收录 140 条
更新
评测基准的精选
Latent Space精选AI 评分8888
GitHub Blog · AI & ML精选AI 评分6060 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 代码审查智能体的开放离线基准，研究预览版已上线，可对比不同审查系统并提交自己的智能体。基准基于 1.039 亿个 GitHub PR 的分布构建，包含 19 种语言的 219 个公开 PR，采用多来源 golden set 与统一评分标准，发布前由资深工程师独立复核，与基准判定一致率 96.6%。
推荐理由：GitHub 公开了代码审查基准的构建方法与离线到线上的验证数据，可据此判断评测信号是否可信。
Latent Space精选AI 评分8282 Google DeepMind 发布 Gemini 4 Argon，支持 1M 输出 token
Google DeepMind 发布 Gemini 4 Argon，面向编码、企业知识工作和网络防御，首批开放给政府用户与 Fairwind 计划中的可信网络防御者，后续再向开发者、企业和消费者开放。
推荐理由：汇总 Gemini 4 Argon 的基准、定价与可用范围，并对比同期 GPT-6.1 Sol 的成本差异。
Latent Space精选AI 评分8888 OpenAI DevDay 2026 发布 Dots、GPT-6.1 Sol、Ultrafast 与 Decisions API
OpenAI 在 DevDay 2026 上发布 Dots 常驻智能体、GPT-6.1 Sol、Ultrafast 模式、Decisions API、ChatGPT Spaces 与 Marketplace，并称 ChatGPT 周活达 12 亿。
推荐理由：汇总了 DevDay 2026 的发布清单与第三方评测数据，可对照价格、基准与套餐变化判断实际取舍。