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。
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。
5 条精选近 30 天 4 条共收录 13 条
更新
评测基准的精选
Latent Space精选AI 评分8888
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。
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 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。
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。