Latent Space AINews：OpenAI 发布内部模型 722 篇数学论文，宣称解决 top 500 开放问题中的 90 个
OpenAI 公开发布来自未公开内部前沿模型的 722 份数学稿件，分为 372 组相关结果，来自约 4000 个研究问题的评估，平均每题使用约 3 小时 ChatGPT Pro 思考算力，包含论文、证明产物和部分推理摘要。
#评测/基准
Latent SpaceAI 评分6666 Microsoft ResearchAI 评分4747 Microsoft Research 播客：Jennifer Neville 谈 AI 的意外失败与评估的作用
Microsoft Research 播客中，资深研究经理 Jennifer Neville 与首席应用科学家 Chad Atalla 对谈，探讨评估如何推动 AI 系统性能突破传统 benchmark，以及测试超出常规基准时出现的“意外失败”。她还分享了使用当前 AI 系统的实用建议，并谈到结果不符预期时为何要仔细审视数据，以及数十年 AI 发展对她预测未来的启示。
GitHub Blog · AI & MLAI 评分5454 GitHub 发布开源代码审查基准 ReviewBench
GitHub 发布 AI 代码审查离线基准 ReviewBench，现已开放使用。基准基于 103.9M 真实 pull request 的分布构建，包含来自 19 种语言的 219 个公开 pull request。
Latent SpaceAI 评分2929 Latent Space AI News：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 $2/$10 per million input/output tokens，在 DeepSWE v1.1 上比 GPT-6 Sol 高 6.4 分，在 Agent Arena 以 $0.56 中位成本列第 5。
Latent SpaceAI 评分6969 Google DeepMind 发布 Gemini 4 Argon，支持最高 1M 输出 token
Google DeepMind 发布 Gemini 4 Argon，主打编码、企业知识工作与网络防御，声称在 19 项基准中的 13 项排名第一，对标 GPT-6 Astra 和 Claude Opus 5.5。