研究突破
LLM 基準測試可靠性危機：研究揭示主要測試集的污染與過擬合問題
多篇 Q1 論文揭示現有 LLM 基準測試（包括 MMLU、HumanEval、GSM8K）存在嚴重的數據污染和過擬合問題，呼籲建立更嚴格的評估方法論，以防止模型在公開測試集上的「刷分」行為。
研究突破
AI 代碼生成基準測試深度分析：SWE-bench 的局限性與下一代評測框架的設計方向
隨著 AI 代碼生成能力的快速進步，現有基準測試的局限性日益凸顯。本文深度分析 SWE-bench、HumanEval 等主流代碼評測框架的方法論問題，並探討下一代評測框架應如何設計才能真實衡量 AI 的軟件工程能力。
模型發布
GPT-5.4 Thinking 技術深度分析：專家級推理能力與百萬 Token 上下文窗口的架構突破
OpenAI 發布 GPT-5.4 'Thinking' 模型，在 GDPVal 專家級基準測試中取得 83% 的成績，配備 100 萬 Token 上下文窗口，並以更小的架構實現接近 GPT-6 等級的推理能力。該模型在 OSWorld-V 基準測試中達到 75%，標誌著推理模型研究的重大里程碑。