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。
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。
9 条精选近 30 天 9 条共收录 25 条
更新
评测基准的精选
The Decoder精选AI 评分8484
Latent Space精选AI 评分7878 Meta MSL 发布 Muse Wonder 与 Muse Wonder Full 前沿模型
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，前者通过 Meta Model API 和 Muse Code 提供，后者仅面向 Muse Code 订阅用户。
推荐理由：汇总了 Muse Wonder 双版本的发布细节与多家第三方评测数据，可对照其与 Opus 5.5、GPT-6 系列的位次差异。
The Decoder精选AI 评分7777 Anthropic 发布 Claude Haiku 5.5，价格最高下调 90%
Anthropic 发布 Claude Haiku 5.5，官方称这是其最快、最便宜的小模型，平均成本比 Haiku 4.5 低约 75%，提示词在 100,000 token 以内的请求价格最高下降 90%，超过该长度的请求价格则是五倍。
推荐理由：对比 Haiku 4.5 与 GPT-6 Luna 的跑分和每任务成本，可看出小模型降价背后的 token 消耗代价。
Latent Space精选AI 评分8080 Anthropic 发布 Claude Haiku 5.5，定价对齐 GPT-6 Luna
Anthropic 发布 Claude Haiku 5.5，这是 Haiku 系列约一年来的首次更新，定价与 OpenAI 的 GPT-6 Luna 持平，官方称其平均运行成本比 Haiku 4.5 低约 75%。
推荐理由：汇总了 Haiku 5.5 的定价、第三方评测与 token 消耗数据，可据此判断小模型在智能体工作流中的成本取舍。
Latent Space精选AI 评分7878 Reflection 发布 Beam：501B-A23B 美国开源 MoE 模型
Reflection 发布 Beam，一个面向编码、智能体与科研任务的纯文本 MoE 模型，总参数 501B、激活 23B，从零训练，Apache 2.0 全量权重预计本月放出。
推荐理由：Reflection 从隐身状态交出首个开源权重模型，读者可对照其训练规模与同期中美开源模型的位次。
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 Decoder精选AI 评分8888 Anthropic 发布 Claude Opus 5.5，性能对标 Fable 5.1 且成本降低约 40%
Anthropic 发布新系列首个模型 Claude Opus 5.5，称其在多数任务上达到 Claude Fable 5.1 的水平，运行成本比 Opus 5 低约 40%，输出速度提升 30% 以上。
推荐理由：Anthropic 新模型在价格、token 用量与写作风格上的变化，以及蒸馏防护和 EU AI Act 合规措施，可供读者判断其实际取舍。
The Decoder精选AI 评分7878 小米发布 MiMo-V2.6 系列开源模型，旗舰版登顶开放模型榜
小米发布 MiMo-V2.6 系列，旗舰版 MiMo-V2.6-Pro 在 Artificial Analysis 的 Intelligence Index 上得 46 分，成为当前最强的开放可用模型，领先 Kimi K3 和 Qwen。
推荐理由：小米开源 MiMo-V2.6 系列并公开 RL 训练框架与约 7000 个任务，读者可据此了解其性能与成本定位。
The Decoder精选AI 评分8080 Qwen3.8-Omni-Flash 发布：多模态基准追平 Gemini Flash，价格更低
Qwen 发布首个面向 AI 智能体的多模态模型 Qwen3.8-Omni-Flash，可同时处理音频与视频并自主调用工具，上下文窗口达一百万 token。
推荐理由：原文给出 Qwen3.8-Omni-Flash 与 Gemini Flash 的多模态基准对比和逐项价格，读者可据此判断成本差异。