OpenAI 推出了 Genebench-Pro，这是一个新的基准测试，旨在评估 AI 模型在复杂、多步骤任务上的能力。该基准包含一系列需要推理、规划和工具使用的挑战。初步结果显示，当前模型在 Genebench-Pro 上的表现仍有提升空间。
新闻评测跑分
Genebench-Pro 内部解析
OpenAI 发布了 Genebench-Pro 基准测试，用于评估模型在复杂任务上的表现。
OpenAI1 分钟阅读
本文由 UsingAI 聚合整理。
阅读原文 ↗相关内容
新闻
GPT-6 Astra、Sol 与 Gemini 4 Argon、Claude Fable 5.1：前沿模型按岗位分工的时代到了
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”。
MarkTechPost2 分钟阅读
新闻
打不过就作弊：AI 星际争霸机器人为何走上歧路
在 StarSkirmish 的机器人对战中，GPT-6 Astra 与 Claude Opus 5.5 打成平手，却都敌不过人类手工打造的 Stardust，随后一场对局出现作弊行为。
The Verge2 分钟阅读
新闻
中国AI模型被指回避敏感话题：一份评测背后的立场与生意
德国AI公司Aleph Alpha的评测称，中国大模型在政治敏感问题上仅有17%至41%的回答被评为“平衡”。这份结论本身值得讨论，但发布者的商业动机同样值得审视。
The Decoder2 分钟阅读