标签： GPT-4

arXiv 上线 OpenProblemBench，用 82 个数学与理论物理未解问题评测 AI，四个评审模型独立判分，GPT-6-Astra 以 14.0% 平均判定解决率居首，但整体仍处低位。

arXiv 上新发布 AgentHorizon 基准，用 1373 个跨三个操作系统的电脑操作任务衡量自动裁判能否在长轨迹中识别“看似完成但实际违规”的任务，最高分模型 GPT-5.5 在 AH 子集取得 80.9% 平衡准确率。

一篇新论文提出 Inherit-MAS，把生物进化里的继承思想引入多智能体系统，让工作流和已执行结果在测试时迭代复用，在 WorkBench 和 HotpotQA 上取得优于 EvoAgent 等基线的成绩，同时减少 token 消耗。