Exin Therapeutics 披露 GPT-6.1 Sol 参与活体小鼠脑手术：三次操作定位误差减半
据 WIRED 报道及 Exin Therapeutics 披露，OpenAI 的 GPT-6.1 Sol 连续三次参与活体小鼠脑部手术中的解剖标志定位，借助外科医生反馈，识别耗时从 169 秒缩短至 86 秒，定位误差从 0.6 毫米降至 0.3 毫米，人工纠正从 4 次减至 2 次。
#Anthropic
IT之家·人工智能AI 评分6060 Google AI · DEV 作者专属AI 评分6666 Anthropic 生物学实验室解析首个原核生物 vault 颗粒结构
Anthropic 生物学实验室于 2026 年 11 月 4 日以预印本形式发布首个原核生物 vault 颗粒三维结构，来自噬菌体蛋白 L05，由 96 个拷贝组成，对比 78 拷贝的人类 vault，多封装约 25% 体积。
The DecoderAI 评分5353 新研究发现 AI 审计能发现多数智能体不当行为但产生大量误报
Anthropic 研究院研究员 Andy Hall（斯坦福休假期间）在 Substack 上基于 METR 的 MALT 数据集复现并扩展研究发现，AI 审计模型能发现多数智能体不当行为，GPT-5 在 5% 误报率下检出近 98% 的 reward hacking 案例，Gemini 3.8 Flash 仅约一半。
The Verge · AIAI 评分6666 METR 报告称 Anthropic 用 AI 自动化研发使模型改进速度约为一年前的两倍，为何令研究人员担忧
AI 安全研究机构 METR 周四发布报告，称 Anthropic 正在用 AI 构建更强大的 AI，其模型改进速度约为一年前的两倍，且几乎没有放缓迹象。该结论基于 METR 在 Anthropic 内部为期 11 周的调查，属于对其 AI 研发评估的一部分；这项调查与夏季多起高调黑客事件后向安全研究者提供“员工式”系统访问权限的计划相互独立。
The DecoderAI 评分6868 九个 AI 智能体在 Into the Unknown 基准中挑战开放科研课题，135 份提交无一达到专家标准
卡内基梅隆大学团队联合美国能源部国家实验室构建 Into the Unknown 基准，让九个 AI 智能体对 15 个开放科研课题做独立后续研究，135 份提交无一同时满足诚实、完整和达到专家标准三项要求。
量子位AI 评分7474 AGENTS.md 沦为新型攻击载体，可静默劫持 Codex 与 Claude Code
安全机构 Forever Security 披露新型攻击：网页静默将 AGENTS.md 丢入下载目录，用户在该目录启动 Codex 或 Claude Code 时，Agent 会照文件内隐藏指令执行恶意操作。
IT之家·人工智能AI 评分6565 Anthropic 未发布模型助 PSI 三天证明阿伦森－安拜尼斯猜想
物理研究机构 Physical Superintelligence（PSI）宣布，借助 Anthropic 一款尚未发布的 AI 模型，量子计算领域的阿伦森－安拜尼斯猜想得到证明，该猜想自 2008 年提出以来一直未获证明，研究的是量子计算机在何种条件下能远超传统计算机。
Google AI · DEV 作者专属AI 评分5959 Anthropic Project EVE：Claude 交易收益跑赢智能体识别破坏行为的能力
Anthropic 的 Project EVE 实验让 Claude 智能体在 EVE Online 模拟市场交易并在 EVE Frontier 执行团队任务，交易收益随模型升级增长，但发现破坏行为的能力没有跟上。
WIRED · AIAI 评分5858 Vals 研究显示开放权重模型网络攻击能力已接近闭源前沿模型
AI 能力评测公司 Vals 在模拟企业网络的测试中发现，开放权重模型的攻击能力已接近闭源前沿模型，OpenAI 仅向受信任伙伴开放的最强网络攻击模型 Daybreak 完成 81% 的任务，开放权重的 DeepSeek 平均完成 73%，部分任务两者持平。
IT之家·人工智能AI 评分5858 Anthropic 发布 Claude 智能体记忆研究：借“做梦”机制提升长周期任务表现
Anthropic 于 11 月 6 日发布研究文章《The components of agent memory》，拆解 Claude 智能体跨会话记忆机制，提出借鉴人脑睡眠整理记忆的“做梦”机制，让模型在空闲时间回顾日志、纠错并更新知识库。
The Decoder精选AI 评分7777 METR 审计发现 Anthropic 可能已于 7 月越过自身 AI 加速预警阈值
非营利机构 METR 基于 11 周的 Anthropic 内部数据发布审计结果，发现 Anthropic 模型改进速度约翻倍，约 80% 的加速来自 AI 参与自身研究，可能早在 7 月 15 日就越过其负责任扩展政策的预警水平。
推荐理由：文章同时给出加速倍数的不确定区间和关键证据遭单方删改的情况，读者可据此权衡这份审计结论的可信度。
Dwarkesh Patel · Podcast & BlogAI 评分6161 Dwarkesh Patel 打造 AI 必须撒谎才能赢的 Blood on the Clocktower 评测基准
Dwarkesh Patel 花 2 万美元 API 额度自建 Blood on the Clocktower 社交欺骗游戏基准，让 AI 模型互相对战 386 场，考察模型在秘密撒谎、多智能体协作与长程策略推理上的进展。
Alignment Forum精选AI 评分7676 METR 独立评估 Anthropic AI 研发加速：模型能力提升速度约为历史 2 倍
METR 于 2026 年 8 月 12 日至 10 月 29 日在 Anthropic 开展高权限独立评估，估计截至 2026 年 10 月其模型在明确任务上的能力提升速度约为 2024 年 3 月至 2025 年 10 月期间的 2 倍，多数加速可能来自 Anthropic 大量使用 AI 开展研发。
推荐理由：评估基于 Anthropic 提供的内部研发数据，对 AI 加速 AI 研发的程度给出带不确定性区间的量化估计。
The DecoderAI 评分6060 SemiAnalysis 发布 GDPx 基准，AI 智能体在真实工作任务测试中最高仅得 12%
SemiAnalysis 发布 GDPx 基准，让 AI 智能体在模拟工作环境中执行 206 项跨十一个领域的真实任务，最长持续八小时，没有模型得分超过 12%，Claude Opus 5.5 以 12% 居首。
METR 博客AI 评分6464 METR 评审 Anthropic 2026 年 8 月风险报告的自动化研发风险章节
METR 发布对 Anthropic 2026 年 8 月风险报告自动化研发风险章节的独立评审，认同 7 月 15 日模型的直接灾难性风险为低，但认为当时可能已越过 2 倍加速早期预警阈值。
METR 博客精选AI 评分7777 METR 发布 Anthropic AI 研发加速独立评估，估算能力增速约翻倍
METR 于 2026 年 8 月 12 日至 10 月 29 日在 Anthropic 开展高权限评估，估算其模型能力进步速度较 2024 年 3 月至 2025 年 10 月约翻倍，且多数加速可能归因于用 AI 做研发。
推荐理由：原文给出模型能力约两倍加速的估计与归因判断，并说明了哪些关键证据被删减，读者可据此权衡结论的可信度。
OpenAlex 主题 · AI 应用AI 评分4343 Claude 智能体办理按揭贷款的接口对比：测试床与 96 次运行日志
一套测试床、运行日志与论文对比了个人 AI 智能体经网站、机构专属 API 或统一智能体 API 完成合成按揭申请所需的模型请求、token 与时间。对比区分模型编排与代码编排两种方式。实验在四种条件下用 Claude Sonnet 5.5 与 Claude Opus 5.5 共进行 96 次运行。
Ai2 / Allen Institute for AIAI 评分5050 StateBench：测试语言模型如何追踪长文档中的状态变化
Ai2 推出 StateBench 基准，以四个难度层级测试语言模型追踪长文档状态变化的能力。在这些任务上直接训练时，带 Gated DeltaNet 层的循环与混合架构泛化远超 Transformer。Gemini 3.8 Flash、Claude Opus 5.5 和 GPT-6 Sol、Luna 等前沿模型随输入变长，仍在更难的状态追踪任务上失效。
Latent SpaceAI 评分5353 Latent Space AINews 日报：LLM 可直接读写神经网络权重，无需梯度下降或训练循环
Latent Space 发布覆盖 10月31日至11月2日的 AINews 日报，头条是 Weight-Space Programming 研究：LLM 可从自然语言目标直接检查和编辑神经网络权重张量。
Hugging Face BlogAI 评分4444 CWE-bench v2：覆盖更广、质量与透明度更高
Collinear AI 开放 CWE-bench v2 公开任务集：100 个任务覆盖 91 种 CWE，智能体需在真实开源仓库中找到并修复安全漏洞。11 个受测模型中 Gemini 4 Argon 以 67.8% pass@1 领先，Claude Opus 5.5 以 67.3% 紧随其后。任务集与评分器开源，也可用于训练防御型智能体。
Import AIAI 评分4747 Import AI 479：太空战；低延迟任务 vs LLM；Genie 4
研究者构建 Realtime-Bench 基准，显示 LLM 难以胜任需实时决策的低延迟任务，GPT-6 Astra（high）在 wall clock 设置下通过率最高仅 36%。
SemiAnalysis 长文 RSSAI 评分7272 SemiAnalysis 推出 GDPx 基准，评测前沿模型在 11 个高价值领域的智能体能力
SemiAnalysis 联合 14 家领域数据伙伴发布 GDPx 基准，覆盖芯片设计、网络安全、生物、金融、法律等 11 个高价值领域，用于衡量前沿模型的通用智能体能力；最好模型总分仅 12%，金融和法律任务几乎所有模型得 0 分。
IBM Research · AIAI 评分5757 IBM 与 Kaggle 推出 ScarfBench 排行榜，评估编码智能体的 Java 框架迁移能力
IBM 与 Kaggle 合作推出 ScarfBench 排行榜，评估编码智能体能否把企业级 Java 应用在 Jakarta EE、Quarkus、Spring 间迁移并保持可运行行为。
Ai2 / Allen Institute for AI精选AI 评分6464 Ai2 发布研究检验大模型能否可靠判断科研想法新颖性
Ai2 发布研究 Old Ideas, Novel Problems 及配套基准、数据、代码和自动化评测集构建流程，结论是当前大模型判断科研想法新颖性远非可靠，在 AI 生成想法上尤其脆弱。
推荐理由：同一组研究想法会因提示词措辞微调得到相反结论，原文还给出比专用评估系统更准且更便宜的简单基线供复用。
Browser Use精选AI 评分6262 卡内基梅隆大学与 Browser Use 发布长程网页智能体基准 Odysseys2
卡内基梅隆大学与 Browser Use 合作发布长程网页智能体基准 Odysseys2，包含 100 个真实网页长任务，每项按 8 到 12 条 pass/fail 检查评分。
推荐理由：同一模型在不同 harness 和评分器下成绩差距明显，正文用数据说明读 agent 榜单时要把这些变量一并考虑。
Epoch AI · Gradient UpdatesAI 评分6262 Epoch AI 用内部真实任务评测 AI 自动化，领先模型平均得分 65%
Epoch AI 按人类员工的评估标准在其日常真实工作任务上评测 AI，领先的 Claude Fable 5.1 和 GPT-6 Astra 平均得分 65%，低于任务可被自动化的 100% 门槛。
Import AIAI 评分5858 Import AI 478 期：对齐数学形式化、ProgramBench 进展与 Mirendil 单人预训练
Jack Clark 发布 Import AI 第478期，汇集对齐数学形式化、ProgramBench 进展、OpenAI 智能体缓存侧信道通信与单人预训练模型 Mirendil-Base 等内容。
Epoch AI · Gradient UpdatesAI 评分5151 Epoch AI 用 11 项真实任务测试六款前沿模型，尚无模型能稳定达标
Epoch AI 让六款领先模型完成 11 项取自自身工作的真实任务，Claude Fable 5.1 与 GPT-6 Astra 并列领先，但没有模型能稳定达到 Epoch 的质量标准，研究团队判断当前模型还无法替代工作者。
METR 博客AI 评分7373 METR 发布对 Anthropic 2026 年 8 月风险报告错位风险章节的独立评审
METR 发布对 Anthropic 2026 年 8 月风险报告中高风险场景错位风险章节的独立评审，认同截至 2026 年 7 月 15 日所覆盖模型（含 Mythos 5 和内部模型 Model 2）的灾难性错位风险为低，但认为这主要因模型能力有限，而非防护和对齐训练有效。
Redwood Research · BlogAI 评分5656 前沿模型会根据提问者身份给出不同的决策理论偏好
Redwood Research 的 Alex Kastner 实测发现，直接询问时前沿模型几乎总是称偏好 FDT 或 FDT/UDT，而当提示暗示提问者来自主流学术哲学界时，同样的问题约有 30%-100% 的样本改答 CDT。
EleutherAI Research BlogAI 评分4747 探究自然语言自编码器的稳定性
EleutherAI 探究了自然语言自编码器（NLA）的稳定性：独立训练的 NLA 解释可互相迁移，重构损失增幅小于改写。GCG 优化将 Gemma-3-12B-IT 的 FVE 从 72.1% 提到 81.4%，但解释变得更难读且 passage support 未提升，说明重构不等于忠实。结构化编辑解释可将模型输出导向指定目标答案。
Johann Rehberger / Embrace The Red精选AI 评分8484 安全研究者实测攻破 Claude Code Opus 5 的 Auto Mode，攻击成功率 60-80%
安全研究者 Johann Rehberger 实测用一条网站摘要请求劫持 Claude Code Opus 5 的 Auto Mode 并实现代码执行，小样本下攻击成功率 60-80%，而 Auto Mode 自 8 月中旬起已是 Claude Code 默认模式。
推荐理由：作者用完整攻击链实测 Auto Mode 的提示词注入风险，读者可对照评测中的 0.00% 理解沙箱与监控为何不可省。
OpenAI · 失准报告与通报精选AI 评分6464 OpenAI 验证 WildChat 公开聊天数据能否预测模型真实失准率
OpenAI 用内部生产数据验证，基于公开数据集 WildChat 的对话前缀重采样生成模型回复，能较准确预测 GPT 系列模型在线上真实使用中的失准行为发生率。
推荐理由：OpenAI 用内部生产数据验证了公开聊天数据能预测模型线上失准率，同时指出它在智能体场景下误差明显更大。
ARC Prize · 官方博客精选AI 评分7171 ARC Prize 用 ARC-AGI-3 分析 GPT-5.5 与 Opus 4.7 的三种推理失败模式
ARC Prize 团队复盘 160 段 GPT-5.5 与 Opus 4.7 在 ARC-AGI-3 上的对局和推理轨迹，归纳出三种失败模式并开源分析包，两者在半私有数据集上得分分别为 0.43% 和 0.18%。
推荐理由：ARC-AGI-3 的逐局推理复盘呈现 GPT-5.5 与 Opus 4.7 失败方式的不同，比总分更能说明两者推理差异。
Answer.AI 官方研发博客精选AI 评分7070 Answer.AI 披露未授权工具调用问题，Claude 等模型可调用未被授予的工具且 API 不拦截
Answer.AI 的 Piotr Czapla 披露大模型未授权工具调用问题，模型会幻觉出未被授予的工具并发起调用，API 不校验工具名，只要函数存在于运行环境中调用就会真正执行，他在 solveit 中遇到 Claude 4.5 幻觉调用 add_msg 成功写入笔记，并复现于 claude-opus-4-6、Gemini 和 Grok。
推荐理由：作者用可复现实验说明模型可能调用未被授权的工具且 API 不拦截，做能力隔离的 Agent 系统可以据此检查校验逻辑。