OpenAI 发布 GeneBench-Pro：AI 生物学的「SWE-bench 时刻」正在到来
2026-06-30
129 道研究级计算生物学题目，GPT-5.6 Sol 仅通过 31.5%。OpenAI 与 Anthropic 在一周内相继发布生物学基准与产品，编程之后的第二个「基准战场」正式成形。
benchmark
Benchmark
聚焦评测集、评测方法、榜单、可复现比较，以及由测量结果揭示的能力边界。
166 篇 AI 论文的人审成绩单：人类评审给 FARS 打了 3.17 分
2026-06-30
Analemma 的全自动科研系统 FARS 在首次大规模公开部署中产出 166 篇论文，282 次人类评审给出平均 3.17 分（满分 10）。
DeFAb：用可验证基准评估大模型的可推翻推理
2026-06-24
论文报告称，符号求解器以 100% 准确率完成基准，前沿模型最高 65%，渲染鲁棒结果最高 23.5%。
NRT-Bench：在核电站模拟器中红队测试 LLM 操作员，8.7%-12.1% 攻击成功，且同一套护栏对不同模型效果相反
2026-06-18
韩国研究者发布 NRT-Bench，在模拟核电站控制室中测试 LLM Agent 操作员团队的安全韧性。
AA-Briefcase：一个全新的、未被「刷榜」的智能体评测基准，GLM-5.2 超越 GPT-5.5
2026-06-18
Artificial Analysis 发布 AA-Briefcase，一个全新的智能体知识工作评测基准，测试 LLM 在多周复杂项目中的规划与执行能力。
CEO-Bench：让 AI 当 500 天 CEO，只有 Claude Opus 和 GPT-5.5 活下来，且都不赚钱
2026-06-16
普林斯顿团队发布 CEO-Bench，模拟 AI Agent 运营一家创业公司 500 天：只有 Claude Opus 4.8 和 GPT-5.5 在结束时资产超过起始的 100 万美元。
小米 MiMo 突破 1,000 tokens/秒：万亿参数模型在普通 GPU 上跑出推理速度新纪录，无需定制芯片
2026-06-08
小米与 TileRT 合作的 MiMo-V2.5-Pro-UltraSpeed 在标准 8-GPU 节点上实现 1,000+ tokens/秒（峰值约 1,200）。