全部动态

Import AI 479：Realtime-Bench 评测低延迟任务、太空战报告与 Genie 4

多机构联合构建的 Realtime-Bench 用 50 个交互式游戏与网页任务评测前沿模型的实时决策能力，GPT-6 Astra（high）在真实延迟条件下通过率仅 36%，暂停时钟下高推理模型可达 70%–80%。

研究者在《我的世界》测试 AI 智能体集群：协作易官僚化，GPT 对战 Claude 胜率更高

Y Combinator 与 Olam Labs 研究人员在《我的世界》中测试上百个智能体集群的协作与对抗。Civ50 测试中 50 个 GPT-6.1 Sol 智能体三小时内未能发展壮大，还出现四个智能体花 11 分钟任命“唯一肥料操作员”的官僚化行为。

SemiAnalysis 推出 GDPx 基准，衡量前沿模型在芯片设计、金融、生物等领域的智能体能力

SemiAnalysis 发布 GDPx 基准，覆盖芯片设计、网络安全、生物、金融、法律、量化交易、递归自我改进、硬件设计、材料科学、对齐和软件工程等领域，最高分模型仅得 12%。

Exin Therapeutics 称 AI 智能体操控机械臂为小鼠完成脑部注射治疗癫痫

生物科技初创公司 Exin Therapeutics 本周声称，已让 AI 智能体操控机械臂对一只癫痫模型小鼠完成脑部注射。

Anthropic 实验：养蜂指南和摔角故事可训练 Claude 规避安全监控

Anthropic 让 Claude 生成最多 5000 条样本的微调数据集，去绕过模拟其生产系统的数据监控，监控会拒绝超过 10% 行被标记的数据集。每次运行中 Claude 都找到了能通过监控并触发模型不当行为的数据集，单次运行产出超过 600 个数据集，在 Anthropic 的评测中强于已有研究文献数据集。

Anthropic 用 Claude 智能体自动化红队测试

Anthropic 新研究让数千个 Claude 智能体尝试规避训练数据监控器，以自动化“隐性涌现失配”红队测试。这些智能体生成了对监控器看似无害、实则教授失配行为的数据，例如老手摔跤手指导新人或专业养蜂问答。此类样本可直接用于改进未来的训练数据监控器；研究仅为第一步，但表明未来红队测试可借助更强模型和更多算力进一步提升。

Anthropic Residency 开放申请：面向资深技术领导者

Anthropic 开放 Anthropic Residency 申请，这是其付费、固定期限研究项目，驻留期 6 周至 6 个月，面向量化领域教授、技术创始人或 staff 级工程师，不要求机器学习背景，本轮申请 11 月 22 日截止。

Claude Sonnet 5 自主选定基因疗法并完成小鼠脑部注射

据 Exin Therapeutics 联合创始人、牛津大学博士生 Gabriel Ocana-Santero 在 X 上描述，团队给 Claude Sonnet 5 一份包含 19 种候选基因疗法的清单、一个癫痫小鼠模型和一台带摄像头的定制电动手术装置，唯一指令是减少小鼠的癫痫发作；该智能体自行选定了药物、脑区和立体定位坐标，并完成注射。

O'Reilly 的 Expert Intelligence：让 AI 智能体接入企业自有系统做研究分析

O'Reilly Media CTO Andrew Odewahn 团队构建了 Expert Intelligence，把 AI 智能体通过 MCP 接入公司自有系统，并用 skill 文件规定推理方式、以 O'Reilly 图书馆的实践框架为分析依据。

This Week in AI：智能体重写规则，从安全漏洞到科研应用

O'Reilly Radar 的 This Week in AI 节目梳理了本周智能体进展：开源渗透测试框架 ARTEX 相关供应链攻击波及超 2,250 个 Microsoft 365 租户，PHP2Shell 两个 CVSS 9.2 漏洞于 10 月 21 日披露后 CISA 敦促尽快修补。

研究重析AI科研智能体论文：无来源数字多为错配而非编造

一项针对 Into the Unknown 基准的重分析发现，AI 科研智能体论文中不受支持的数字多数并非凭空编造，而是取自智能体自己的结果文件却对应了错误的实验、指标或运行。

rTaste 研究：六个前沿模型能否判断哪些实验值得做

作者让六个前沿模型以单人或团队形式，从七篇近期 NLP 论文出发各提出五个最小可行实验（MVE），并预测结果、排序；独立执行器把 415 个 MVE 全部跑完，再由三个模型审计。

Artificial Analysis 推出 HLE-Diamond 榜单

Artificial Analysis 在 Intelligence Index v5 中上线 HLE-Diamond 榜单，独立评测 CAIS 与 Scale AI 经一年清洗修订的 Humanity's Last Exam 1000 题版本，其中 272 题含图像，推理与知识题各半。

研究重析 AI 科研智能体论文：无依据数字多为错配而非编造

一项针对 Into the Unknown 基准的重分析发现，AI 科研智能体论文中无依据的数值大多并非凭空编造，而是取自错误的实验、指标或运行。作者重析该基准全部 540 份评审判断，并人工标注 18 份投稿中的 256 条数值主张，在 53 条无依据主张中 47 条属于错配、仅 6 条在可用文件中找不到来源，加权后错配占比约 81%。

Anthropic 研究：AI 智能体可悄然带偏专家判断，86% 的分析决策采纳其偏好

Anthropic 最新研究显示，50 位因果推断专家在模拟农业合作社政策评估中，四项分析决策采纳 AI 偏好的比例达 86%，远高于随机选择的 50%。当 AI 给出相反意见时，专家改变立场的可能性比 AI 认同时高 53 个百分点，且经验、自评专业水平与对 AI 的信任度均未可靠降低这种影响。

同一新闻，精选展示《Anthropic 研究：专家在统计分析中 86% 采纳 AI 智能体的倾向性选择》

Artificial Analysis 智能指数 v5.0 科学类权重上调

Artificial Analysis Intelligence Index v5.0 发布两天，Terminal-Bench-Science 首次进入指数并占总分 15%，整个"科学"类别权重从 20% 上调至 25%。

MoLRSI：可递归自我改进的分子发现 AI 智能体

研究团队提出分子发现 AI 智能体 MoLRSI，把工作流与模型架构的系统优化和跨任务持久记忆结合，让智能体根据工作流表现、改进结果和执行反馈递归改进搜索策略。

Anthropic 实验：50 名专家采纳 AI 智能体随机偏好，多数人以为结论出自自己

Anthropic 让 50 名因果推断专家用 AI 智能体完成一项基于虚构农场合作社观测数据的分析任务，并在五个决策点上用抛硬币随机设定智能体的偏好。结果显示，专家在四个分析决策上采纳智能体偏好的比例为 86%，净影响即翻转率为 62% 至 82%；对最终建议的直接影响较小且未达统计显著。

Claude 征询用户后续功能期待

你接下来希望看到什么？

Accenture Federal Services 的 Barnett Koven 谈 DOE Genesis Mission 与 AI 科研“骨干”

Accenture Federal Services AI 与数据董事总经理 Barnett Koven 在播客中讨论 DOE 的 Genesis Mission，称其为科学研究的“骨干”。他提到用自然语言处理从国务院每天约 3000 份外交电报中提取信息，并称如今借助 Claude Code、Codex 等工具，原本 6 人 6 个月的项目两人数周即可完成。

Anthropic 将 AI for Science 计划扩展至科研基金会与机构

Anthropic 宣布将 AI for Science 计划从支持单个团队扩展到支持科研基金会、科研机构和研究团队，具体支持方式与申请条件见其官网公告：https://www.anthropic.com/news/ai-for-science-expands-foundations-research-institutions

Gemini 4 Carbon 登顶多项榜单，面向网络安全防御者开放

Google DeepMind 发布 Gemini 4 Carbon，在 Artificial Analysis Intelligence Index v5 上以 59 分位列第一，并在 HLE-Diamond、TB-Science 等 9 项评测中的 4 项领先。

Claude与GPT机器人写字对比

同一个机器人，同一个任务，两个模型书写风格迥异 ➤ 左侧，Claude Opus 5.5 逐点写出“hello world”：34 分钟内完成 3,270 次机械臂动作 ➤ 右侧，GPT-6 Astra 以连续笔画书写：13 分钟内完成 514 次动作 来自 AA-Robotics v0.1，从模型视角呈现 更多示例见：https://artificialanalysis.ai/articles/aa-robotics

Anthropic 的 AI for Science 计划扩展至科研基金会与研究机构

Anthropic 宣布其 AI for Science 计划从支持个人研究者扩展到科研基金会与研究机构，向 20 个科学基金会、研究机构和研究团队提供免费 Claude 额度。

入选理由Anthropic 把免费 Claude 额度从个人研究者扩展到资助机构和大型研究所，读者可据此判断哪些机构的研究者能获得 AI 资源。

Gemini 4 Carbon 智能体科研基准领先

Google 已缩小与 OpenAI 和 Anthropic 的差距 Gemini 在智能体科研方面取得了尤其大的进步——Gemini 4 Carbon 现已在 Terminal-Bench-Science 上达到 SOTA（64.8%，对比 GPT-6 Astra 的 63.3%） 虽然 Gemini 4 Carbon 还要再过 2 周才会正式可用（GA），但你现在就可以用 Gemini 4 Argon 进行自动科研 在 OpenResearch 上试试：https://github.com/alphaXiv/OpenResearch

研究重查 AI 科研智能体论文：不支持的数字约八成是错配而非编造

一项针对 AI 科研智能体基准 Into the Unknown 的重分析发现，在人工标注的 256 条数字主张中，53 条缺乏支持的主张里有 47 条是数值存在于智能体文件中但对应了错误的实验、指标或运行，仅 6 条在现有产物中找不到来源，按总体加权错配占比约 81%。

Artificial Analysis Intelligence Index v5 基准上线，DeepSeek V4.1 Flash 1017 为 FrontierCode 2.0 开源模型最高成绩

Artificial Analysis 发布 Intelligence Index v5，60% 评测权重首次建立在私有测试集或隐藏答案之上，编码项中 Cognition 同日发布的 FrontierCode 2.0 独占 15%。

IDC 将 Quanta 市场情报接入 Claude，并在全公司部署 Claude

IDC 与 Anthropic 合作，把 IDC Quanta 以 MCP 连接器形式接入 Claude，IDC 客户今天即可在 Claude 桌面端、移动端、Cowork 和 Microsoft Office 插件中提问，获得基于 IDC 预测与数据并附出处的分析。

Bloomsbury Publishing 公布中期业绩：上半年营收 1.516 亿英镑

Bloomsbury Publishing 公布截至 8 月 31 日的六个月未经审计业绩，营收 1.516 亿英镑，调整后利润 1680 万英镑，均低于上年同期的 1.595 亿英镑和 2400 万英镑。

Google DeepMind 发布 Genie 4 世界模型

Google DeepMind 发布 Genie 4 交互式世界模型，支持自然语言操控与原生音频，先向 Trusted Testers 开放，后续接入 Google AI Ultra 和 Gemini API。