评测跑分

一项基于1.4万通真实通话的研究发现，在呼叫中心场景中人类客服的表现仍优于AI，但岗位数量已在持续下降。

在 TheoPhysEval 基准上，GPT-6-Astra 以每道约 2.4 美元的成本解出 50 道未发表理论物理计算题中的 49 道，水平接近顶尖专家；但研究者指出，它仍缺乏提出好问题的"品味"。

Datalab 开源 OCR 评测基准 OmniParseBench，覆盖 92 种语言、2,937 页文档，用 16,288 项是/否测试给出可切片分析的通过率。

Z.ai 基于 GLM-5.3-Flash 打造法律专用模型 GLM-Legal，在 Harvey 法律智能体基准上全通过率 19.2%，接近基座模型的三倍，单次测试成本约 0.15 美元，采用申请制开放。

Meta 的 Muse Wonder 系列在十项基准中六项进入前三，智能体任务提升最明显；代价是单任务成本大幅上涨，前沿模型的性价比问题再次浮出水面。

Hacker News 上出现让 AI 玩《杀戮尖塔》的讨论，这类需要长程规划与随机应变的卡牌构筑游戏，正成为检验智能体决策能力的新场景。

Epoch AI与Anthropic各自独立得出同一结论：当前模型能跑实验，却缺乏科学自我批判与真正的创造性思维，最好的成绩也仅达到人类参考分的15%，且方法早已为研究者所知。

OrcaRouter 推出面向网络安全场景的门控模型 OrcaCyber Zero 1.5，支持 100 万 token 上下文，官方称在 Cybench 上取得 100%、在可评估的 CVE-Bench 子集上取得 95.8%，定价为每百万 token 输入 3 美元、输出 7.5 美元。

LMArena 母公司完成 2 亿美元融资，由 Lightspeed 与 Khosla 领投，估值十个月内近乎翻倍至 31 亿美元，并开始把对齐问题（如模型是否会撒谎）纳入评测范围。

TechCrunch 报道称，OpenAI 生成的大量数学证明偏离了其咨询的数学研究者所设定的规范。这暴露出前沿模型在专业数学场景中，形式正确性与学术规范之间仍存在明显落差。

Hugging Face 分享了用同一模型家族微调 Nemotron，在 IOI 与 IMO 两类竞赛任务上均取得金牌级结果，展示出通用基座加针对性微调在推理密集型赛题上的潜力。

MarkTechPost 对比四款前沿模型发现，Astra 强在电脑操作、Argon 擅长法律与金融、Sol 在编码智能体上以价格取胜——模型选型正从“谁最强”转向“谁最适合这份工作”。