BrokenArXiv 基准更新：只考上月被推翻的猜想，GPT-6 Astra 居首
scaling01 · x · 2026-09-16
BrokenArXiv 与 ArXivMath 基准发布最新版本：题目改为聚焦最近一个月内在 arXiv 上被推翻的猜想，并让模型在 harness 中执行而非直接经 API 调用，考察更贴近真实研究场景。作者称模型表现依然亮眼，GPT-6 Astra 排名第一。推文以「Anthropic 兄弟们情况不妙」的调侃口吻引用了这一发布。
「模型」频道最新
- Similarweb：Claude 升级页流量 9 月回升至 1760 万，逼近 5 月峰值 — firstadopter · 2026-11-02
- 开源 GLiNER-PII 单卡 550ms 抓出病历 13 项身份标识,仍漏医院名 — MaziyarPanahi · 2026-11-02
- 用户吐槽 OpenAI Dots 越用越臃肿,转投新工具 Muse 称体验干净透明 — Koala_Confused · 2026-11-02
- Fable 5.5 被曝一行代码一次通过生成动画，Anthropic 押注编程意外切入动画赛道 — Hesamation · 2026-11-02
- 一个 agent 目标连续跑了 4 天，烧掉 3 万赠额 token — CtrlAltDwayne · 2026-11-02
- 每日 AI 简报：Gemini 4 Carbon 疑现身 Arena，DeepSeek 开源编码 agent — testingcatalog · 2026-11-02