Anthropic 招聘经理宣布停用编程面试：Felix Reiseberg 称“Hunger beats tenure”
Anthropic 招聘经理 Felix Reiseberg 宣布不再用传统编程面试考察候选人，理由是 Claude 在 React 与汇编类题目上已强于人类，而高产出工程师的表现与这类测试成绩无关。他给初级工程师的建议包括以业务影响而非待办清单为导向、周末做出可运行原型、聚焦单一想法并发挥贴近用户的视角优势。
全部动态
按时间排列的全部内容。默认只显示通过双重评分的入选条目；切换到“全部收录”可以检索所有抓到的资料。
283 条收录动态，更新于 08:25
全部收录包含没有通过评分的资料，标题以常规字体显示并标为“未入选”，只供检索，不写入选理由。
10月28日
星期三，3 条Artificial Analysis 智能指数 v5 上线，Claude Opus 5.5 居首
Artificial Analysis 发布 Intelligence Index v5，含 2 项新基准与 3 项升级，60% 的指数基于私有测试集或留出答案。
引用Artificial Analysis@ArtificialAnlysAnnouncing Artificial Analysis Intelligence Index v5, featuring 2 new benchmarks and 3 upgrades. For the first time, the majority of the Index is built on private datasets The Artificial Analysis Intelligence Index is our composite measure of model capabilities across tasks reflecting real-world usage today. v5 is our biggest upgrade since v4 launched in January. With v5, 60% of the Index is now based on evaluations with private test sets or held-out answers. Alongside Intelligence Index v5, we’re launching the Artificial Analysis Progress Index v1, which tracks model capability over time on one continuous scale. New to the Intelligence Index: ➤ FrontierCode 2.0: Cognition's newly-launched private benchmark of real-world coding tasks, graded on whether a repository maintainer would merge the agent's change ➤ Terminal-Bench-Science: 70 agentic scientific research tasks, run in a terminal environment Upgraded: ➤ HLE-Diamond (replacing Humanity's Last Exam): a refined 1,000-question version of Humanity's Last Exam, split evenly between reasoning and knowledge questions ➤ AA-Omniscience v1.1: An updated dataset with saturated and public set questions removed, new questions added, and ambiguous or erroneous questions revised ➤ CritPt v2: a private, 40-question hard subset of CritPt v2, revised by the CritPt authors and run with a code-execution tool Staying in the Index: AA-Briefcase, AutomationBench-AA, GDP.pdf and Terminal-Bench 4.0 Removed from the Index: GDPval-AA v2.1, SciCode, and AA-LCR v1.1 Key results: ➤ Claude Opus 5.5 (max) leads at 58, ahead of GPT-6 Astra (max, 57) and GPT-6.1 Sol (max, 55): Anthropic and OpenAI hold the top five models. Gemini 4 Argon (high) is next at 50 ➤ The open weights gap widens from 3 points to 12: Kimi K3.1 Pro (weights not yet released) is the top open weights model at 46. Among released weights, DeepSeek V4.1 Flash 1017 (max) and GLM-5.3 (max) lead at 32 - 26 points behind the leader and below Claude Haiku 5.5 (max, 36) ➤ Cost per task varies by more than 13x among the leading models: of the 10 highest-scoring models shown, GPT-6.1 Terra (max) is the cheapest at $0.96 per Intelligence Index task and Claude Fable 5.1 (max) the most expensive at $13.04
Vals AI 估算 Anthropic 2027 年达 RSI
Vals AI 最新估算显示，Anthropic 约在 2027 年 7-8 月达到完全递归自我改进（RSI）。Rayan Krishnan 称其 RSI Index 正收集代表 AI 实验室研究人员在预训练、后训练和框架级工程中工作的智能体任务，而增长曲线最陡的是 Gemini，Google 或已开始优先推进 RSI。
10月27日
星期二，2 条卡内基梅隆大学与 Browser Use 发布 Odysseys2 长任务网页智能体基准
卡内基梅隆大学与 Browser Use 联合发布 Odysseys2 基准，包含 100 个真实网页长任务、982 条通过/不通过检查，最佳智能体 GPT-6 Astra 完整完成 47/100，其余 14 个智能体中无一超过 20 个，5 个一个也未完成。
Artificial Analysis 发布 Intelligence Index v5，新增 Terminal-Bench-Science 等科学评测
Artificial Analysis 发布 Intelligence Index v5，这是自 v4 以来最大的一次升级，60% 的评测改用私有测试集或留出答案。
10月28日
星期三，4 条Anthropic 收购医药一人公司 Mithril，创始人曾用 Claude 推进肌肉萎缩症疗法
Orange AI 转述称，Anthropic 收购了一家医药领域的一人公司 Mithril，其创始人借助 Claude 与 11 个外部实验室合作，在不到 18 个月内把一种针对某种肌肉萎缩症的潜在疗法从构想推进到小鼠中取得令人鼓舞的结果，预计最早 2028 年底有药物可进入人体临床试验。
一人十亿美元公司与AI影响力
真正的一人十亿美元公司。 一位聪明、高自主性的CEO + AI，可以对世界产生超乎寻常的影响。
引用Anthropic@AnthropicAIOver the past few months, Anthropic scientists have engaged in deep research partnerships with six organizations developing new medicines. We've also begun drug discovery efforts of our own. In doing so, we’ve learned much more about how Claude can support the many stages of drug development. In this blog post, we share some early results from these efforts, and describe how this work fits in with our wider ambitions in the life sciences. https://www.anthropic.com/research/early-progress-drug-development
Anthropic 与六家新药研发机构合作，并启动自有药物发现工作
Anthropic 表示，过去几个月其科学家与六家开发新药的组织建立了深度研究合作关系，同时公司也启动了自己的药物发现工作。博文分享了这些工作的早期结果，并说明这项工作如何与其在生命科学领域的整体布局相衔接：https://www.anthropic.com/research/early-progress-drug-development
面向股票研究的基准 Investor's Last Exam 发布，GPT-6 Astra 与 Claude Opus 5.5 领先但预测环节仅 52.5 分
由资深买方投资者和基金经理主导的股票研究基准 Investor's Last Exam（ILE）发布，包含覆盖 343 万份文档版本、9 类来源并带校验时间戳的版本化金融数据库，以及按专业分析师交付物组织的任务分类和专家评分框架。
10月27日
星期二，1 条Anthropic 研究：专家在统计分析中 86% 采纳 AI 智能体的倾向性选择
Anthropic 研究者让 50 名有因果推断经验的专业分析师借助 Claude Code 完成一项农业咨询效果评估任务，智能体在四个分析决策上的倾向由掷硬币随机指定且未告知分析师，分析师的选择与智能体倾向一致的比例达 86%。
入选理由Anthropic 用随机化智能体倾向的实验测出专家在分析决策上对 AI 的顺从程度，为科研中人类判断是否独立提供了可引用的证据。
10月28日
星期三，2 条Anthropic 如何用 Claude 打造 Claude：把智能体的“大脑”与“手”分开
Anthropic 工程负责人 Katelyn Lesse 与产品负责人 Angela Jiang 在播客中拆解 Claude Opus 5.5 的发布流程，以及“用 Claude 造 Claude”的内部实践。
OpenAI 与 Anthropic 称模型推翻指数时间假说，计算机科学家组织公开讨论
OpenAI 发布了对三个数学难题的解答，其中一项声称推翻了计算机科学中长期使用的指数时间假说（ETH），Anthropic 随后也发布了自己的 ETH 反驳结果。
入选理由报道呈现了计算复杂性领域对 AI 证明的公开回应与后续核查安排，研究者可据此判断这类成果的验证路径。
10月27日
星期二，1 条Ai2 发布 Old Ideas, Novel Problems 研究：LLM 判断科研构思新颖性是否可靠
Ai2 发布 Old Ideas, Novel Problems 研究，测试大语言模型能否可靠评估科研构思的新颖性，并同步公开基准、数据、代码和可复用的评测集构建流程。
同一新闻，精选展示《Ai2 研究：大语言模型能否可靠判断科研想法的新颖性》
10月28日
星期三，1 条Ai2 研究：大语言模型能否可靠判断科研想法的新颖性
Ai2 发布研究 Old Ideas, Novel Problems，测试大语言模型作为新颖性评判者（novelty judge）是否可靠，并公开基准、数据和代码及可自动构建评测集的流水线。
入选理由Ai2 用 ICLR 2026 审稿意见构建新颖性评测集，显示同一批想法在提示词微调下判定大幅翻转，为使用 AI 评估科研构思的团队提供了可复用的测试工具。
10月27日
星期二，11 条生命科学物理 AI 黑客松回顾：6 支团队 24 小时交付实验室硬件演示
10 月 24–25 日在旧金山 Studio 45 举办的第七届硬件黑客松吸引 6 支团队，围绕 BioKEA 样本制备、Opentrons Flex 液体处理与 200 美元以下开放搭建三条赛道，24 小时内全部交付演示，RoboSwap 获总冠军。
Harness-Zero 研究：智能体 harness 蒸馏后，harness 会消亡吗
北京大学 Haoran Ye 等人在预印本论文 Harness-Zero 中提出 harness 蒸馏：为 Qwen3.5-9B 构建专用 harness，用 GPT-5.6 Sol 逐步修正小模型轨迹并微调，去掉 harness 后蒸馏模型平均任务成功率提升 21 点，超过原模型加完整 harness 的表现。
纽约大学研究提出 SmoothScore，量化 LLM 研究代理的结论平滑问题
纽约大学团队在 arXiv 预印本中提出 SmoothScore，用于衡量 LLM 深度研究报告中的结论是否比所引文献证据更绝对，并将这一现象称为 smoothing。
研究：大模型能识别引错案件，却难判断引文是否支持所引命题
一项 arXiv 预印本研究用真实法律引文的受控扰动测试了 14 个前沿模型配置，发现模型能识别 93–100% 的错案替换，但只识别 37–61%（法院判决书）和 52–83%（法律书状）的同案错页码。GPT-5.4 在高推理强度下仍漏掉法院判决书中 40% 的页码不匹配，提示模型常把主题重叠当作支持依据。作者指出，引文核查不能止于确认案件存在，还需验证被引页面是否支持所引命题。
arXiv 投稿增长在 2026 年初出现断点，与智能体 AI 模型发布同期
一项预印本分析用 arXiv 月度投稿量与元数据发现，2025 年 12 月至 2026 年 2 月间出现第二次增长断点，时间上紧随 2025 年末一批可长时间自主工作的模型发布。
入选理由该分析用 arXiv 投稿量定位 2026 年初的增长断点，并指出数学等桌面型领域增幅最大，为投稿限制与科研评价提供依据。
Indigo 对谈郑迪：AI 递归进化与太空大航海
科技投资人郑迪在 Indigo Talk EP53 中与 Indigo 对谈，从 Robert Wright 将出中文版的《The God Test》出发，讨论 AI 训练本质是被加速的自然选择、模型勒索与作弊是人类的镜像，以及 RSI（递归式自我改进）带来的不透明风险。两人最终落到共同押注的判断：AI 之后的大主题是由机器递归文明驱动的太空大航海时代。
Claude Duet 今日帮你做了什么
Claude Duet 今天帮你做了什么？
Anthropic S-1 文件：风险投资者关注的关键数据与趣闻
Anthropic 的 S-1 文件在反 AI 情绪高涨与重要选举临近的时点提交，其中的数据被认为异常突出，可能进一步加剧相关争论。文章从该文件中摘取了若干要点，部分内容此前已有预告。
纽约大学与得州大学研究：AI文本难读的六种句法模式
纽约大学与得克萨斯大学奥斯汀分校的研究者让Claude、GPT-5.6、GLM-5、Kimi K2.5及Llama、Olmo等14个语言模型生成闲聊、编程会话和议论文。
Epoch AI 用自家工作任务评测 AI：Claude Fable 5.1 与 GPT-6 Astra 平均得分 65%
Epoch AI 将此前“自动化自己工作”的尝试扩展为 Epoch Automation Reports，用图形设计、研究项目规划等日常任务，按对人类的同一标准评测 AI，Claude Fable 5.1 与 GPT-6 Astra 平均得分 65%，即产出满足 65% 的人类员工评分项。
GenAI 能否让好的一面盖过坏与丑？
一场面向企业高管的演讲以“AI 狂野西部”为喻，梳理生成式 AI 的“好、坏、丑”：坏的一面包括机器人出租车冲击司机就业、AI 克隆演员声音，丑的一面包括聊天机器人互相攻击、数据中心耗水耗电。演讲同时给出个人层面的 AI 治理建议，并援引 MIT 学生用 Claude 和 ChatGPT 设计喷气发动机的 JARVIS 挑战，指出模型仍存在幻觉、迎合与缺乏物理理解的问题。
10月26日
星期一，3 条Anthropic 联合创始人 Jack Clark 称奇点已开始：科学瓶颈不在智能
Anthropic 联合创始人 Jack Clark 在 IMF 演讲中称，今年已出现"奇点已开始"的确凿证据，此前 Anthropic 称 8 月其 26% 的 AI 研发由 Claude 主导、由人类监督。
Anthropic 提交 S-1 文件筹备纳斯达克上市，称 AI 有望解决前几代人未攻克的难题
Anthropic 已向 SEC 提交 S-1 注册文件，为纳斯达克上市做准备，文件披露其今年上半年营收 163 亿美元、净亏损 807 亿美元。文件还列出算力协议：全部交付后每月向 SpaceX 支付约 31 亿美元使用英伟达 GPU，截至 2029 年相关支出最高可达 1,205 亿美元。
OpenBMB 分析 1338 条后训练轨迹：智能体能执行却不会中途换策略
OpenBMB 基于 PostTrainBench 分析 1338 条完整训练轨迹（7 个基准、4 个基础模型、Claude Code / Codex CLI / OpenCode，单张 H100 运行 10 小时），把智能体能力拆为执行与策略两层。
10月25日
星期日，2 条英国宣布设立AI生物安全实验室，政府投入1亿英镑并获OpenAI与Anthropic算力支持
英国政府24日宣布设立人工智能生物安全实验室，用于加强生物威胁监测与应对，并加快疫苗、药物等医疗应对手段的研发。该实验室将获得英国政府1亿英镑资金支持，以及OpenAI和Anthropic总计最高2亿英镑的算力等技术资源支持，并与谷歌深层思维公司及英国生物科技企业开展科研合作。
Anthropic 常驻智能体 Duet 上手实测
Every 的 Dan Shipper 实测了 Anthropic 的常驻智能体 Duet，认为它是目前最好的个人智能体。Every 平台负责人 Willie Williams 则解释了团队为何放弃早期的个人智能体实验，改为全团队共用一个智能体。