OpenAI 发布内部模型产出的 722 篇数学论文，称解决 500 个开放问题中的 90 个
OpenAI 以博客、GitHub 仓库和推文形式公开了一批来自未发布内部前沿模型的数学结果，共 722 篇手稿、归入 372 个相关结果族，来自约 4000 道研究问题的评测，平均每个结果约用 3 小时 ChatGPT Pro 思考算力，模型本身仍未发布。
推荐理由：OpenAI 用内部模型批量产出数学结果并公开仓库，读者可据此了解这批成果的规模、算力成本与外界质疑。
#评测/基准
Latent Space精选AI 评分8888 Simon WillisonAI 评分6262 Mistral 发布 Mistral Large 4 预览版 Le chonk
Mistral 发布 Mistral Large 4 预览版，这是一个 1 万亿参数、490 亿激活参数的模型，在自有的 3800 块 NVIDIA Grace Blackwell GPU 集群上训练，目前通过其 API 提供。
The DecoderAI 评分6666 Google 发布图像模型 Nano Banana 2.1，价格约为上一代一半
Google 发布图像生成与编辑模型 Nano Banana 2.1，取代 2026 年 2 月发布的 Nano Banana 2，官方称各方面均有提升。价格约为上一代一半，1K 图像从 6.70 美分降至 3.36 美分，4K 从 15.10 降至 7.56 美分。
Microsoft ResearchAI 评分2222 微软研究播客：AI 会犯哪些错，失败能教给我们什么
微软研究院播客中，partner research manager Jennifer Neville 与首席应用科学家 Chad Atalla 对谈，讨论评估如何推动当前 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规评测时出现的“意外失败”。Neville 还分享了使用当前 AI 系统的实用建议，并强调当结果偏离预期时深入检查数据的重要性。
Latent Space精选AI 评分7676 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，完整权重将以 Apache 2.0 在本月放出。
推荐理由：汇总了 Beam 的架构、训练规模与第三方评测口径，可对照同期开源模型的定位差异。
GitHub Blog · AI & MLAI 评分5858 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，基于 1.039 亿个 GitHub PR 的分布构建，包含 19 种语言、187 个开源仓库的 219 个 PR。
Hugging Face Blog精选AI 评分6666 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再按终端后端状态和副作用打分，而非看模型生成的文字。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定成败，并给出可复现的 OpenEnv 运行方式。
Latent SpaceAI 评分6262 AINews：GPT-6.1 Sol 与 Sonnet 5.5 重塑成本性能前沿
OpenAI 发布 GPT-6.1 Sol，定价为每百万输入/输出 token 2 美元/10 美元，远低于 Astra 的 10 美元/50 美元；据称在 DeepSWE v1.1 上比 GPT-6 Sol 高 6.4 分，在 AutomationBench 上比 Opus 5.5 高 2.2 分。
Latent Space精选AI 评分8484 Google DeepMind 发布 Gemini 4 Argon，支持 100 万 token 输出
Google DeepMind 发布 Gemini 4 Argon，面向编码、企业知识工作和网络防御，首发仅限政府用户与 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、定价与第三方评测分歧，便于对照其与 Astra、Opus 5.5 的实际差距。
Hugging Face BlogAI 评分3838 Hugging Face 发布 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 推出 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
Microsoft ResearchAI 评分4242 微软 Skala 1.1 发布：训练数据增 2.5 倍，并集成进 CP2K 等 DFT 软件
微软研究院发布深度学习 DFT 交换关联泛函 Skala 1.1，训练数据比上一版多 2.5 倍，在 GMTKN55 的 55 个类别中拿下 32 项第一，加权平均误差 2.8 kcal/mol。Skala 现已在 CP2K 中可用，并正集成进 Psi4、FHI-aims、ORCA 和 VASP，同时推出持续追踪各版本计算性能的 living benchmark。
Mistral AI精选AI 评分7171 Mistral 发布 Agentic Search，面向企业复杂文档的多步检索层
Mistral 发布 Agentic Search，一个让模型在复杂文档中导航、阅读并核实信息的多步检索层，通过 Mistral Search Toolkit 提供，并内置于 Studio 和 Vibe 的 Libraries 中。
推荐理由：原文给出多步检索循环在 FinanceBench 与 OfficeQA Pro 上的准确率、token 与延迟变化，可据此判断它与一次性 RAG 的差异。
Import AIAI 评分3030 Import AI 469：DiG-bench 游戏发现基准、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 469 介绍了新基准 DiG-bench，包含 70 款规则与目标均隐藏、需靠交互探索发现的游戏，Opus 5 与 Fable 5 搭配 Claude Code 表现最佳，但仅能在 Tier 7 完成 0.2 的任务，远逊于人类 100% 的成功率。