Vals AI 基准显示开源与闭源模型的网络攻击能力差距持续缩小
Vals AI 的 CyberOffense 基准显示，AI 智能体无需人工协助即可独立攻入模拟企业网络，OpenAI 限制级 Daybreak 计划中的 GPT-6 Sol 以 80.8% 目标完成率居首，开源的 DeepSeek V4.1 Flash 1017 达 72.8%、单次成本约 $3。
#DeepSeek
The DecoderAI 评分6464 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。
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。
vLLM 官方博客精选AI 评分6161 NVIDIA Research 与 Inferact 提出异步 RL 论文 REINFORCE Zero，零失配覆盖 DeepSeek-V4.1 与 Kimi K3.1
NVIDIA Research 与 Inferact 发布 REINFORCE Zero 论文，通过对齐 rollout 与训练内核、再用不截断的 token 级重要性采样，实现稳定的异步强化学习。
推荐理由：论文把 rollout 与训练的差距拆成权重滞后和内核失配两部分，说明对齐内核后不加截断的重要性采样就能稳定异步训练，滞后 64 仍可学习。
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。
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%。