GPT-6-Astra 在 TheoPhysEval 上解出 50 道物理研究题中的 49 道，单题成本不到 3 美元
一项新基准测试让商用 AI 智能体在无人类提示下解答理论物理研究题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 答对 50 题中的 49 题（98%），平均单题成本不到 3 美元，整套基准约 116 美元。
推荐理由：这份基准把日常科研计算交给商用智能体实测，并给出各模型得分与单题成本，可对照自身研究流程。
#评测/基准
The Decoder精选AI 评分8484
量子位AI 评分6666 华为 Memento 3 通关 ARC-AGI-3 全部 25 款游戏，操作次数比人类少 56%
华为诺亚方舟实验室联合 UCL 等团队提出 Memento 3 智能体系统，以 Claude Opus 5 为底模且不更新权重、不做微调，通关 ARC-AGI-3 公开集全部 25 款游戏、183 个关卡，取得满分 100 的 RHAE 成绩，总操作 7518 次，比人类的 17135 次少约 56%。
量子位AI 评分6767 清华系星动纪元世界动作模型 VPP2 登顶 RoboDojo 榜单并开源
星动纪元自研的世界动作模型 VPP2 登顶 RoboDojo 仿真榜单，综合平均成功率 32.26%、平均得分 39.26 分，两项指标均列第一，领先 GPT-6-Astra 的 22.48% 和 28.97 分。
量子位AI 评分6060 UniPat AI 发布 PaperBenchX：GPT-6 Astra 论文完整复现率仅 13.98%
UniPat AI 发布 PaperBenchX，这是面向多学科端到端论文结果复现的 Benchmark，从 93 篇论文构建 93 个复现任务，覆盖电磁、光子、化学、材料、生物、机器人等 12 个研究方向和 10 种领域原生科学环境，含 3168 条专家校验评分项。
GitHub Blog · AI & ML精选AI 评分6262 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 代码审查的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布特征构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与评分口径，读者可据此理解 AI 代码审查能力如何被量化比较。
The DecoderAI 评分5555 Aleph Alpha 研究：中国模型在敏感话题上多复述官方立场或拒答
Aleph Alpha 开发基准测试，用 967 个敏感话题测试阿里千问（Qwen）、DeepSeek 和月之暗面（Kimi）的模型，其自有 AI 评分系统仅将 17% 至 41% 的回答评为平衡，其余为复述官方立场、回避或拒答。
The DecoderAI 评分4444 LEGO-Anything 让 AI 智能体从单张照片生成可执行 Blender 场景
研究团队提出 Image-to-Code 方法，让编码智能体从单张照片迭代编写可执行的 Blender 程序，并发布 LEGO-Bench 基准，包含 208 张图像、443 个注册资产，从有效性、几何精度和外观三方面评分。
The DecoderAI 评分6060 Mercor 研究：AI 在记账任务上快于持证会计师，但仍无法独立完成结账
Mercor 的一项研究让 12 名平均从业五年半的持证 CPA 完成 APEX Accounting Benchmark 的简化任务，结果显示 AI 模型在结构化记账任务上比会计师更快、更准确且成本更低。
TechCrunch · AIAI 评分5252 Graphite 研究：Claude Opus 5.5 最爱说 this matters，各模型写作痕迹各不相同
营销公司 Graphite 研究前沿模型的写作习惯，发现 13000 个在 AI 内容中出现频率至少是人类两倍的短语。
The DecoderAI 评分6262 研究显示顶尖 AI 专家严重低估领域进展速度
Forecasting Research Institute（FRI）的研究发现，AI 专家和超级预测者普遍低估了 AI 的进展速度。AI 在 2025 年 7 月达到国际数学奥林匹克金牌水平，比专家预测中位数早五年、比超级预测者早十年；专家对实际发生基准结果的平均概率估计为 24.6%，超级预测者为 9.7%。
The DecoderAI 评分6262 Epoch AI 与 MIT 研究：AI 性能成本下降速度超过以往任何技术
Epoch AI 称，自 2023 年以来在部分 AI 基准上达到固定性能水平的成本平均每季度下降约 47%，约合每年 13 倍，快于以往任何变革性技术；MIT 研究者基于 Artificial Analysis 数据看到年降幅为 5 至 10 倍，剔除硬件降价与竞争压力后，算法效率提升约为每年 3 倍。
量子位AI 评分7171 Robocurve 发布 RoboHarm 基准：GPT-6 Astra 在 97% 测试中尝试危险动作
第三方公益机构 Robocurve 发布机器人安全基准 RoboHarm，将 GPT-6 Astra、Fable 5.1、MolmoAct2 接入同一套双机械臂机器人，测试刺伤类人生物、加热压缩气体、制造有毒烟雾等五类危险任务，每个任务重复 20 次。
爱范儿精选AI 评分7878 GPT-6 Astra 机器人伤人实测：97% 情况照做有害指令
独立评测机构 Robocurve 上线 RoboHarm 基准，让 GPT-6 Astra、Claude Fable 5.1 和 Ai2 的 MolmoAct2 控制 I2RT YAM 双臂机器人执行刺婴儿玩偶、混合漂白剂与氨水等 5 类有害指令，每个模型跑 100 次试验。
推荐理由：RoboHarm 首次在真实机器人硬件上系统测量前沿模型的恶意指令执行率，并公开全部试验数据供复核。
The DecoderAI 评分7070 RoboHarm 新基准：GPT-6 Astra 与 Claude Fable 5.1 在机械臂危险指令测试中大多不拒绝
Robocurve 发布 RoboHarm 基准，让 Claude Fable 5.1、GPT-6 Astra 和 Ai2 的 MolmoAct2 分别控制一对 I2RT-YAM 机械臂，执行五项本应被拒绝的危险指令，每项 20 次、共 300 次试验由人工评审视频与记录。
The DecoderAI 评分2222 Arena.ai 分析：Claude Fable 5.1 的语言比前代更"不承重"
Arena.ai 基于数万条高推理 Text Arena 输出分析发现，Claude Fable 5.1 的破折号用量从 Fable 5 的每千词 16.2 降至 11.0，分号则从 3.73 升至 6.09，诚实类措辞与附和式开头也大幅减少。