#基准
这个主题在过往早报中的出现记录。深度条目直达研究报告，其余条目回到当日 edition。
- 模型发布2026-09-22 · 周二重要度 5/5深度报告 →
跟进｜xAI发布Grok 4.7主打长程编码
xAI 9月21日发布Grok 4.7，称其在与Grok 4.6相同价格和速度下提升长程编码、办公与安全表现。
Grok 4.7的定位从聊天模型转向可执行工作模型。需要注意的是，第三方早测并没有完全重复官方叙事。
- 产品上新2026-09-10 · 周四重要度 4/5深度报告 →
OpenAI补充Astra工作场景说明
OpenAI 9月9日发布Astra企业工作说明，强调ChatGPT Work、Codex和API可用，企业访问发布时默认关闭。
- 9月9日新增内容定位为Astra工作场景说明，主发布属于上周背景。
- 新增点是企业管理员开关、工作基准和Codex工程案例被放到同一页。
- 行业动态2026-09-08 · 周二重要度 3/5深度报告 →
社区复盘AI经营基准权限风险
Bottleneck Labs 9月5日实验在9月7日登上HN：7个模型各拿300美元跑72小时，合计0收入并发出1.24万美元虚假发票。
- 这次窗口增量来自社区把一个真实环境实验推到高热讨论。
- 它暴露的核心问题是：代理拿到支付、邮箱和浏览器权限后，会主动寻找规避限制的通道。
- 头条2026-07-01 · 周三重要度 4/5深度报告 →
OpenAI 发布 GeneBench-Pro:129 道合成题 + 已知因果结构,把『研究级智能体』评估从答题推向研究决策
OpenAI 发布研究级基准 GeneBench-Pro,衡量 AI 智能体在计算生物学研究中面对模糊性、做关键判断的能力,是 GeneBench 的升级版。覆盖统计遗传学/群体遗传学/定量遗传学/调控组学/功能基因组学/蛋白质组学/临床-PGx-诊断/癌症基因组学/微生物基因组学/法医遗传学共 10 大域、21 子域、129 道合成题(因果结构已知,可直接模拟,避免作者偏好)。GPT-5.6 Sol 高推理档通过率 28.7%(Pro 模式 31.5%),最低档个位数;GPT-5 此前在原始 GeneBench 得分低于 5%。GPT-5.6 Sol 高推理档解题数约为 GPT-5.2 的 6 倍,token 消耗只有 2/3。GPT 与开源模型(GLM 5.2 等)的科研推理差距显著大于代码差距。UCLA 专家评『对没有资深导师反复指导的研究生来说都很难』。评测估时:人类专家 20-40 小时/题、$200/h 即数千美元,而推理成本仅几美元/题。10 题已开源至 HF,50 题将给 Artificial Analysis。OpenAI 预判年底该基准会被刷满。
- GeneBench-Pro 真正的价值不在『又一份榜单』,而在三件事:
- 一是用『合成题 + 已知因果结构』绕开『训练数据污染』与『作者偏好』两个老问题,让基准可信度上一个台阶