OpenAI 的数学解答尚未达到学界标准
TechCrunch 报道称，OpenAI 本周发布数百份高难数学问题解答，但未完全符合高等研究院 AGMAI 在 9 月底提出的准则。719 份手稿中仅 10 份公开了模型的思维链，42% 的证明未经过形式化；剑桥与伦敦国王学院的新论文还记录了 OpenAI 针对 Navier-Stokes 方程解答中自然语言证明与 Lean 代码之间的至少两处不一致。
#评测/基准
TechCrunch · AIAI 评分6262 TechCrunch · AIAI 评分6060 AI 排行榜 Arena 完成 2 亿美元 B 轮融资，估值达 31 亿美元
AI 模型众包排行榜 Arena 完成 2 亿美元 B 轮融资，估值 31 亿美元，由 Lightspeed Venture Partners 和 Khosla Ventures 领投，Salesforce Ventures、01 Advisors、Dell Technologies Capital、Endeavor Catalyst、a16z、Felicis 等参投。
The Verge · AIAI 评分4242 Instinct 如何在大厂 AI 智能体夹击下生存
Instinct 是一家仅靠邀请制、无营销、几乎无官网起步的 AI 智能体创业公司，在 Muse 和 Dots 相继推出后仍保持竞争力，并于 9 月底获得 100 亿美元估值。
Latent Space精选AI 评分8080 Anthropic 发布 Claude Haiku 5.5，定价对齐 GPT-6 Luna
Anthropic 发布 Claude Haiku 5.5，这是 Haiku 系列约一年来的首次更新，定价与 OpenAI 的 GPT-6 Luna 相同，官方称其平均运行成本比 Haiku 4.5 低约 75%。
推荐理由：汇总了 Haiku 5.5 的定价、第三方评测与 token 消耗数据，可据此判断低价小模型在智能体工作流中的实际成本。
Microsoft ResearchAI 评分2222 Microsoft 研究播客：AI 评测的意外失败能教会我们什么
Microsoft 研究合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中与首席应用科学家 Chad Atalla 对谈，探讨评测如何推动当前 AI 系统突破性能边界，以及模型在传统 benchmark 之外测试时出现的"意外失败"。她同时分享了使用当前 AI 系统的实用建议，并强调当结果偏离预期时深入审视数据的重要性。
GitHub Blog · AI & ML精选AI 评分6262 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含 219 个 pull request、覆盖 19 种语言。
推荐理由：GitHub 公开了 AI 代码审查基准的构建方法与评分口径，读者可据此理解离线评测如何对应线上实验。