论文复现评测提出新难题，完整科研流程仍难自动完成
UniPat AI 发布 PaperBenchX，以九十三个真实论文复现任务观察模型完成科研流程的能力。量子位称受测配置中最佳完整复现率为百分之十三点九八。该指标与解一道数学题不同，更关注环境、实现、实验和结果验证是否全部完成。
要点
- 包含九十三个任务
- 衡量端到端复现
- 不能与单题分数混用
为什么值得看
为判断科研智能体的真实交付能力提供了更接近工作流程的视角。
谁会受影响
科研工具开发者和技术内容创作者值得关注。
今天就能怎么试
打开 https://github.com/UniPat-AI/PaperBenchX，选一个能获取材料的任务，按官方评测流程记录每个阶段的失败原因。
原始来源
1ChatGPT踢到铁板了！能破解千禧数学难题，但论文复现率低至13.98%？ · 量子位 · 2026年10月8日✓ 已打开核对本条由 AI 根据上面的原始来源整理，经编辑审核后发布。数字和结论以原文为准，发现错误欢迎反馈。
相关动态
开放世界模型结合游戏引擎，单卡生成实时可玩画面
Matrix-Game 4.0 让轻量引擎负责规则和状态，视频模型将低多边形画面转成细致视觉，编码智能体则修改场景与玩法。论文报告 RTX 5090 上实现 480p、60 帧交互，按键到显示延迟为 112 毫秒，并宣布开放代码与资产。实时帧率需与响应延迟分开看。
业务智能体基准检查执行过程，完成任务也可能判失败
BizAgentBench 将 789 份知识文档、601 项业务工具和 50 个长流程任务放进可执行环境，既核验最终目标，也检查中间步骤约束。论文显示只看任务完成会掩盖无效操作；HF 早期标题为 BizBench，arXiv 修订版已改名。同时还应记录任务过程中的工具调用成本。
中英密集文字生图基准发布，专测海报长文与布局
UltraText Bench 提供 432 条人工检查的提示，覆盖 24 类真实场景，中英文各半，每张图要求四至十二处文字。评估分别看文字准确、清晰度、空间安排和场景质量，揭示快速模型可能更清晰却更容易写错字的取舍。适合中文海报选型。
AI协助发现PHP高危漏洞，网站维护者面临集中修补
爱范儿梳理 PHP2Shell 漏洞披露与紧急修补过程，介绍 OpenAI 安全研究在构造可复现证据中的作用。事件涉及底层软件广泛使用带来的连锁影响；具体风险取决于运行版本与部署条件，不能把使用 PHP 都等同于已经遭入侵。