Gemini 4 Argon 在 ARC-AGI-3 基准测试中的表现分析
Google DeepMind 的 Gemini 4 Argon 在 ARC-AGI-3 基准测试中使用 Provider Adapter Harness 达到 97.5% 的得分，成为继 OpenAI 之后第二家突破 95% 的实验室。Epoch AI 数据显示其 ECI 得分为 165 分，接近 GPT-6 Astra 和 Opus 5.5，但在数学和软件工程指标上排名相对靠后。
#评测/基准
The DecoderAI 评分6969
The Decoder精选AI 评分8080 GPT-6-Astra 在理论物理基准测试中解决 98% 问题，成本低至 2.40 美元
GPT-6-Astra 在 TheoPhysEval 基准测试中解决了 50 个理论物理常规研究问题中的 49 个，准确率达 98%，平均每题成本低于 3 美元。
推荐理由：基准测试显示 GPT-6-Astra 以极低成本解决绝大多数理论物理常规计算问题，揭示了模型在特定领域的计算能力已超越多数人类专家，并引发对科研训练与资源公平的讨论。
The DecoderAI 评分5555 Artemis Security 发布 Orion-1 安全模型
Artemis Security 发布 Orion-1，这是一款专为调查和响应企业网络攻击设计的模型。在 Artemis 自建的 Decision-Grade Readiness 基准测试中，Orion-1 在攻击重建任务上得分为 80.8，高于 GPT-6 Sol 的 58.3。该模型目前处于私有预览阶段，高影响操作默认需要人工批准。
GitHub Blog · AI & MLAI 评分5252 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，这是一个针对 AI 代码审查代理的开放离线基准，旨在解决现有评测在标签质量、覆盖度和真实性之间的权衡问题。该基准基于对 GitHub 上 1.039 亿个真实 Pull Request 的分析，包含 219 个跨 19 种语言的公开 PR，其语言和仓库大小分布与 GitHub 整体保持一致。