OpenAI 开源推理模型评估框架
OpenAI 把内部用于评审推理模型的评估框架开源，支持自定义任务基准与过程奖励打分。评测标准化被视为 Agent 落地前的关键基建。
OpenAI 开源了其内部使用的推理模型评估框架，支持自定义任务基准、多轮工具调用评测与过程奖励（process reward）打分——不仅看最终答案，也评估推理步骤的质量。
这一动作的行业意义大于工具本身：Agent 应用的落地瓶颈之一就是“无法客观比较模型在具体任务上的表现”，标准化评测是采购决策的前提。
开发者可以据此为自己的业务场景构建私有基准，避免被公开榜单误导——榜单测的是模型的上限，业务评测测的才是你的下限。
本文为编辑摘要与评述，原始报道见 Hacker News。 版权归原出处所有。
继续阅读
推理模型调用量首超对话模型，AI 使用范式正在切换
推理（思考型）模型的 API 调用量首次超过普通对话模型，意味着开发者正在从“让 AI 写”转向“让 AI 想清楚再写”。价格下降与工具调用需求是两大推手。
国产大模型降价潮：推理价格再降 50%
多家国产大模型厂商同步下调 API 推理价格，百万 tokens 最低进入“分时代”。降价被解读为对海外模型的正面价格攻势，也进一步压低了 AI 应用的创业门槛。
开源模型追平闭源：综合差距缩至 3% 以内
最新评测显示头部开源模型与闭源旗舰的综合能力差距已缩至 3% 以内，而推理成本只有后者的十分之一。开源不再是“平替”，而是多数场景的更优解。