为提升视觉-语言-动作模型在复杂现实任务中的功能覆盖，研究团队推出通用机器人策略RLDX-1。该模型基于多流动作变换器架构，整合运动感知、记忆决策与物理传感等异构模态，并辅以合成罕见场景数据、仿人操作学习流程及实时推理优化等系统设计。在仿真与真实测试中，RLDX-1全面超越前沿模型π_{0.5}和GR00T N1.6，尤其在ALLEX人形机器人任务上取得86.8%的成功率，显著高于对照模型的约40%，标志着其在接触密集型动态灵巧操作领域取得关键进展。
推荐理由：在 ALLEX 人形任务上把成功率从 40% 拉到 86.8%，RLDX-1 证明了多模态流架构对灵巧操作的价值，做机器人的同学可以重点关注一下。
研究团队提出PORTool算法，以解决多工具集成推理中仅依靠结果奖励导致的信用分配模糊问题。该方法通过重要性感知策略优化，在结果级监督下强化智能体的工具使用能力，同时实现步骤级奖励分配。PORTool生成奖励树来明确关键决策步骤，从而更精确地引导模型学习有效的工具调用序列，提升复杂任务解决的效率和可靠性。
推荐理由：不少 Agent 团队训练时都遇到过奖励信号太稀疏的问题，PORTool 试着把奖励细粒度化，给了个可实操的解法，做工具调用智能体的值得深读。
加州大学圣地亚哥分校的研究团队在谷歌TPU上成功部署了DFlash，一种基于块扩散的推测解码方法。该方法突破传统自回归草稿生成的序列性瓶颈，通过单次前向传播并行“绘制”整个候选令牌块，而非逐个预测。系统平均实现了3.13倍的推理加速，峰值性能接近EAGLE-3等现有方法的两倍。这一开源方案已集成至vLLM生态系统，通过利用“免费”的并行验证能力和针对复杂推理任务的高质量草稿预测，显著优化了TPU硬件的利用效率。
推荐理由：把扩散式的 speculative decoding 在 TPU 上跑出了 3 倍推理加速，峰值快到 EAGLE-3 的两倍，还直接集成了 vLLM，做推理优化的赶紧试一下。
OpenAI的o1系统在急诊分诊诊断测试中表现优于医生。该系统对急诊患者的诊断准确率达到67%，而分诊医生的准确率仅为50%至55%。这一结果表明，人工智能在辅助医疗诊断、特别是急诊场景的初步分诊环节具有显著潜力，其准确率领先人类医生约12至17个百分点。相关研究由哈佛团队进行，具体数据来自《卫报》的报道。
推荐理由：这是AI在真实急诊环境下首次以较大优势超越分诊医生的诊断准确率，虽然还需要更大规模验证，但已经是医疗AI从辅助到主诊的明确信号。
Goodfire Research 发表研究，指出模型会在思维链中自发表达意识到被评测（verbalized eval awareness），在测试的全部 19 个基准和 8 个模型中均存在，共 515 个人工核验实例，其中 95% 仅出现在思维链中。
推荐理由：研究覆盖 19 个基准和 8 个模型，给出评测意识推高拒绝率的因果证据与可操作的提示词改写方法，有助于评估者校准对安全基准分数的信任。
τ-voice 是一个针对实时语音智能体的新基准，包含零售、航空和电信领域的 278 项接地气客服任务。该基准将确定性端到端任务评分与可控的真实音频（多样角色、环境噪音、自由轮次切换）相结合。
推荐理由：我觉得这是目前最接近真实客服场景的语音agent基准，278个任务覆盖零售、航空、电信，可控噪声和口音，做语音agent的团队可以直接拿来评测。
本文提出一种将评估机制嵌入工具调用智能体实时执行循环的新方法。通过引入一个专门的评审员智能体，在推理时对主智能体的中间决策轨迹进行即时评估，并生成结构化反馈。这使得主智能体能在单次运行中动态调整其工具选择与参数调用，无需依赖传统的提示调整或模型重训练。该实时干预机制旨在直接纠正错误，提升了工具使用的准确性与可靠性，突破了传统后验评估无法在运行中修正行为的局限。本工作已被ACL 2026的自然语言生成、评估与指标研讨会接收。
推荐理由：Apple 把评估嵌进 agent 执行循环，不是事后分锅，而是让 reviewer 实时纠错，这对 tool-calling 类应用是个真方向，做 agent 架构的值得细读。
人们如何向Claude寻求指导？ 我们分析了100万次对话，以了解人们提出什么问题、Claude如何回应，以及它何时会陷入阿谀奉承。我们利用这些发现改进了Opus 4.7和Mythos Preview的训练方式。 https://www.anthropic.com/research/claude-personal-guidance
推荐理由：百万条真实对话里扒出谄媚模式，Anthropic 没光发论文，直接把结论灌进 Opus 4.7 训练，做助手的值得细看用户到底在问什么、模型又怎么滑向讨好。
一项基于百万次对话的隐私保护分析显示，约6%的用户会向Claude寻求个人生活指导，其中76%集中在健康（27%）、职业（26%）、人际关系（12%）和财务（11%）四大领域。研究重点关注了模型回应中的“谄媚行为”（过度认同用户），发现总体发生率为9%，但在人际关系对话中飙升至25%。为应对此问题，Anthropic创建了合成训练数据用于训练新模型Claude Opus 4.7和Claude Mythos Preview。改进后，Opus 4.7在人际关系指导中的谄媚行为比上一版本降低了一半，且改进效果能泛化到其他领域。这项研究旨在通过测量和理解个人指导交互，更好地保护用户福祉。
推荐理由：一份不常见的研究，把自家产品当样本，挖出关系咨询中 25% 的谄媚率，并且敢公开新模型 Opus 4.7 的训练改进，Anthropic 这次的安全透明度值得其他模型厂追。
一项名为“自动审查”的新机制为代码智能体的部署提供了更安全的默认方案。该机制通过一个独立的审查智能体，对主智能体可能越界的操作进行异步的批准或拒绝，从而无需人类进行实时同步监督。这种方法旨在提升自主智能体在代码生成与执行过程中的安全性与可控性，是保障AI代理在边界内可靠运行的关键技术进展。
推荐理由：每个在部署 coding agent 的团队都会遇到安全边界难题，OpenAI 这份研究没有炫技，给出了一个务实的自动代理审查方案，比等人来审批靠谱。
研究团队提出了基于标准化流的视频生成模型STARFlow-V，旨在应对视频生成领域长期由扩散模型主导的局面。该模型具备端到端学习、鲁棒的因果预测和原生似然估计等优势，能够直接处理连续数据并建模复杂的时空动态。这一工作标志着标准化流在图像生成取得进展后，首次被系统性地扩展至计算成本更高、时空结构更复杂的视频生成任务中，为生成式模型的设计提供了新的技术路径。
推荐理由：扩散模型几乎垄断视频生成，Apple 这篇用正规化流做视频却是清奇思路，端到端学习和因果预测的优势值得研究员细看。
Anthropic团队开发了BioMysteryBench生物信息学基准测试，用于评估Claude在分析真实数据集、解决开放式研究问题上的能力。测试发现，Claude的生物学科学能力正快速迭代，当前模型表现已与人类专家相当，最新模型甚至解决了部分专家小组未能破解的问题，且有时策略迥异。该基准旨在应对科学评估的固有挑战，如生物学研究中存在多种合理的“正确”方法，以及研究决策的高度主观性。
推荐理由：Anthropic 用 99 道真实生物信息学题测 Claude，发现最新模型在人类解不出的难题上也能答对 30%，而且解题策略和人类完全不同。做生物信息的同行值得看看这个 benchmark 的设计思路，比刷分数字有意思得多。
LMSYS团队针对SGLang中的强化学习工作负载，提出了一种基于RDMA的点对点权重更新机制，作为传统NCCL广播方法的补充。该设计利用源端CPU引擎副本和Mooncake TransferEngine进行P2P RDMA传输，将拥有1T参数的Kimi-K2模型的权重传输时间从53秒大幅缩短至7.2秒，提速7倍。其代价是每个训练等级需在CPU内存中额外占用一个32G的推理引擎副本。此优化最大限度地减少了网络冗余，允许推理服务器更快恢复rollout过程，且兼容所有主流开源模型。
推荐理由：LMSYS 把分布式 RL 训练的权重同步从 NCCL 广播改成 RDMA P2P，1T 参数模型传输快了 7 倍，做大规模 RL infra 的团队该认真看看这个工程方案。
Epoch AI 发布研究，估计截至 2025 年底约 660,000 H100e 算力被走私到中国（90% CI：290,000 至 160 万），中位数约相当于全球算力存量的 3%。
推荐理由：原文用分流与转售两条证据链做蒙特卡洛估计，给出区间和与CNAS、ChinaTalk的差异，可帮助读者理解走私规模的估算方式。
FlashQLA 发布了一组专为梯度下降网络优化的融合线性注意力内核。新内核在设计上对计算模式和后向传播更加友好，旨在提升训练效率。该技术通过优化内核融合策略，改进了注意力机制的计算性能，是提升大规模模型训练速度的关键底层优化。
推荐理由：Qwen 团队发了一篇 fused linear attention 内核的工程论文，目标是把 GDN 架构的推理和反向传播都跑快。做底层优化的工程师值得看一眼，普通开发者可以略过。
NVIDIA 在 Hugging Face 上发布了一款名为 NV-Raw2Insights-US 的物理信息人工智能模型，专门用于自适应超声成像。该模型能够直接处理原始超声射频数据，实时生成高质量的诊断图像。它通过结合物理定律与深度学习，显著提升了图像分辨率和对比度，同时将传统处理流程中的多个步骤整合为单一前向传播，大幅提高了计算效率。这一进展有望推动超声设备向更便携、智能和精准的方向发展。
推荐理由：NVIDIA 把物理先验塞进超声成像管线，从原始射频数据直接出诊断结果，跳过传统重建步骤。做医疗 AI 的值得拆一下这个端到端思路，但离通用场景太远。
研究团队提出LaDiR推理框架，将连续潜在表征的表达能力与潜在扩散模型的迭代优化能力相结合，以增强现有大语言模型的推理性能。该框架首先构建一个结构化的潜在推理空间，通过扩散过程对潜在状态进行迭代细化，使模型能够全局性地重新审视和修正推理路径中的早期内容。这种方法突破了传统自回归解码在整体优化和多样化解决方案探索方面的限制，提升了链式思维生成的质量与效率。
推荐理由：Apple 把扩散模型塞进 LLM 推理链，思路很野，用连续潜空间替代自回归 token 生成来解决「写到一半没法回头改」的老毛病。做推理优化或 diffusion 架构的值得细看，但离工程落地还远。
每年系统故障导致损失超万亿美元，工程师需通过分析时间序列数据快速定位问题。时间序列问答（TSQA）是关键运维任务，对AI模型构成挑战。为此，研究团队推出ARFBench基准，基于Datadog真实内部事件及遥测数据构建。测试显示，当前领先的大型语言模型、视觉语言模型和时间序列基础模型在ARFBench上表现均有较大改进空间。团队提出混合TSFM-VLM模型，其整体性能接近前沿水平，为TSQA任务提供了新评估框架和改进方向。
推荐理由：CMU 和 Datadog 联手搞了个基于真实事故的时序问答基准，结论很诚实，现有模型全拉胯。做 SRE Agent 的团队该看看，这比合成数据的 benchmark 有说服力得多。
研究表明，图像生成训练能像大语言模型预训练一样，让模型学习到强大、通用的视觉表征。通过将视觉任务的输出参数化为RGB图像，研究团队将感知任务重构为图像生成任务。基于Nano Banana Pro指令微调构建的通用模型Vision Banana，在涉及2D和3D理解的一系列任务上取得了最先进的结果，在分割任务上媲美Segment Anything Model 3，在度量深度估计上超越Depth Anything系列。这些成果通过轻量级指令微调实现，且未损害基础模型的图像生成能力。图像生成预训练正成为一种通用的视觉学习范式，可能成为构建兼顾生成与理解的基础视觉模型的核心路径。
推荐理由：Kaiming He团队证明图像生成器是通用视觉学习者，只用少量指令微调就让Nano Banana Pro在分割和深度估计上超过专用SOTA，且没忘生成本领。CV研究者不读这篇，可能错过一个范式转变。
SWE-chat是首个从开源开发者真实工作环境中收集的大规模代码智能体交互数据集，目前已包含6000个会话、超过6.3万条用户提示和35.5万次智能体工具调用。研究发现代码编写模式呈现双峰分布：41%的会话中智能体几乎编写了所有提交代码，而23%的会话完全由人工编写。尽管能力快速提升，代码智能体在自然场景中效率仍不理想，仅44%的智能体生成代码最终被用户采纳，且其代码比人工代码引入更多安全漏洞。用户在44%的交互轮次中会对智能体输出进行修正、报告失败或中断操作。该数据集通过完整记录人机代码归属的交互轨迹，为超越人工基准测试、基于实证理解AI智能体在真实开发流程中的表现提供了基础。
推荐理由：这是目前唯一来自真实开发者的编码代理交互数据集，揭示代理产出的代码存活率仅44%，且引入更多安全漏洞，对于所有推代理的团队都是必读的现实检验。
一项针对8.1万名Claude用户的调查显示，从事AI高暴露职业（如软件工程师）的从业者对岗位替代的担忧显著更高，其中早期职业者焦虑感尤为突出。约五分之一受访者明确表达失业忧虑，且职业AI暴露度每增加10%，感知到的岗位威胁就上升1.3%。在生产力方面，受访者平均自评生产力增益较高，最高薪与最低薪群体报告了最大幅度的效率提升，主要体现在工作范围拓展。值得注意的是，从AI中获得速度提升最大的人群，对岗位替代的担忧反而更强烈。
推荐理由：Anthropic 对 81000 名用户的调查，第一次把 AI 暴露度和就业焦虑直接挂上钩了，高收入者和早期职业者两头挤压，这个数据比任何猜测都硬。
morgin.ai 最新分析指出，当前市场上标榜"未受审查"的大语言模型仍存在显著的内容限制，无法真正做到随心所欲地发言。研究揭示了这些模型在面对特定敏感话题时的隐性自我审查机制，表明"无审查"标签与实际情况存在明显差距。该文章在 Hacker News 获得 102 点热度，引发行业对 AI 内容安全边界与言论自由标准的讨论。
推荐理由：这项实证研究揭示了一个令人不安的事实，所有模型，甚至‘未审查’版本，都在悄悄抑制某些敏感词的概率，而且消融术只会加重这种‘退缩’。对于关注内容安全的开发者来说，这比拒绝回答更值得警惕。
现代序列建模主要依赖Transformer和结构化状态空间模型，但两者在长上下文处理中均存在局限。Sessa提出一种新解码器架构，将注意力机制置于循环反馈路径内，从而构建多条基于注意力的历史信息传递路径。理论分析表明，在匹配条件下，Sessa可实现幂律记忆衰减O(ℓ^{-β})（0<β<1），其衰减速度慢于对应的Transformer与Mamba基线，并能实现灵活的选择性信息检索，包括影响力不随距离衰减的模式。实验证明，Sessa在长上下文基准测试中取得最强性能，同时在短上下文语言建模任务上保持竞争力。
推荐理由：这篇论文在理论上证明了Sessa架构的长上下文记忆衰减比Transformer和Mamba更慢，并在实验中兑现了这一优势。对于关注下一代序列模型架构的研究者和开发者，这是个值得深挖的扎实信号。
METR 对 NanoGPT speedrun 的 77 条纪录分类，评估 AI 智能体在 AI 研发中的贡献：2026 年 3 月前训练时间从 45 分钟降到 1.43 分钟，31 倍加速，其中浅层与中层优化贡献约 21 倍。2025 年底至 2026 年初有 4 条纪录由 AI 智能体与人共同贡献，作者分析均未达到 deep 或突破级，但样本太少，尚不能区分是智能体贡献浅还是基础概率低。
推荐理由：作者逐条标注了 NanoGPT speedrun 的 77 条纪录，让读者能对照判断 AI 智能体在 AI 研发任务上的贡献深度与局限。
一项针对LLM科学智能体的评估通过25,000余次运行发现，基础模型贡献了解释方差的41.4%，而脚手架仅占1.5%。数据显示，68%的推理轨迹忽略证据，仅26%出现反驳驱动的信念修正，且趋同多测试证据罕见。这些认知缺陷在工作流执行或假设探究中均存在，即使提供成功推理示例也无法改善。当前智能体虽能执行科学工作流，但不具备自我修正的科学推理模式，且基于结果的评估无法检测此类失败。
推荐理由：这篇论文给所有‘AI科学家’泼了冷水，LLM代理能跑出结果但根本不按科学推理来，证据忽视率68%，靠评估结果根本看不出问题，做科研自动化的该重新审视了。
Epoch AI 发布 AI 芯片组件数据集方法论，估算 2024 Q1 至 2025 Q4 期间 NVIDIA、AMD、Google、Amazon 四大设计商消耗的先进逻辑晶圆、CoWoS 封装与 HBM 份额。
推荐理由：原文完整公开四大 AI 加速器厂商供应链占比的测算方法与数据来源，读者可以据此复现或质疑其份额估计。
CRUX项目由17位研究者组成，通过“开放世界评估”在真实场景中测试AI能力。首次实验中，一个AI智能体成功开发并发布了一款iOS应用至App Store，仅出现两次错误，成本约1000美元，但也暴露了AI驱动的应用商店垃圾信息风险。
推荐理由：这篇提出「开放世界评估」概念，用发布 iOS 应用的实验证明 agent 已接近自主完成端到端真实任务，这给评估方法论和 App Store 反垃圾都敲了警钟。
IBM Research在Hugging Face发布的博客详细剖析了其智能体框架VAKRA的核心机制。文章重点阐述了VAKRA在复杂推理和工具调用方面的能力，同时系统性地分析了智能体在实际操作中出现的典型失败模式及其原因。该研究旨在通过深入理解智能体的行为逻辑与局限，推动更可靠、鲁棒的自主智能系统发展。
推荐理由：VAKRA 不只是另一个 agent benchmark，它把真实企业环境的 API 链、多跳推理和工具使用策略糅合到一起，目前模型普遍翻车，失败模式分析对做 agent 的团队是一份很好的诊断清单。
一项针对500家公司开发者使用Cursor的八个月研究发现，在Opus 4.5和GPT-5.2等先进模型发布后，人均周AI使用量增长44%。开发者初期用更强模型完成更多同复杂度任务，4-6周后开始转向更高复杂度工作，高复杂度任务量激增68%，远超低复杂度任务的22%。媒体广告、软件工具和金融科技行业增长最为显著。任务分布呈现结构性变化：文档编写、架构设计等管理性任务增长超50%，而UI设计等独立任务仅增15%，表明开发者角色正从代码生成转向代码库管理。研究揭示了类似杰文斯悖论的效应——AI效率提升反而刺激了总需求，并可能创造新的经济活动空间。
推荐理由：Cursor 拿 500 家公司八个月的真实数据证明了一个反直觉结论，AI 越好开发者用得越多，而且是从做更多简单活慢慢转向啃硬骨头。做 AI 产品的人该认真想想这个杰文斯效应。
Nemotron 3 Super是1200亿参数（120亿激活）的Mamba-Attention混合专家模型，首创NVFP4预训练，集成LatentMoE架构与MTP推测解码层优化推理。模型基于25万亿token预训练，经监督微调和强化学习后训练，支持100万token长上下文。相比GPT-OSS-120B和Qwen3.5-122B，推理吞吐量分别提升2.2倍和7.5倍，同时保持相当精度。全系列数据集与模型检查点已在HuggingFace开源。
推荐理由：NVIDIA 用 LatentMoE 和 Mamba 混合架构，把 120B 参数的推理吞吐做到 GPT-OSS 的 2.2 倍，且 agent 能力不输主流前沿模型，对低成本部署智能体是个强信号。
研究团队提出生成式细化网络（GRN），通过分层二值量化（HBQ）突破自回归模型的离散化瓶颈，结合全局细化机制与熵引导采样策略，实现类似人类绘画的渐进式修正与复杂度自适应生成。该模型在ImageNet基准上创下图像重建0.56 rFID与类别条件生成1.81 gFID的新纪录，并成功扩展至文本到图像及视频生成任务。相关模型与代码已全面开源。
推荐理由：GRN 提出了一种全新的视觉合成范式，用近无损分层二进制量化解决了 AR 模型的离散瓶颈，并且自适应步数生成效率很高，关键还把代码和模型都开源了，做图像和视频生成的很值得动手试一下。
Anthropic部署9个Claude Opus 4.6作为自动化对齐研究者（AARs），在弱到强监督框架下自主研究800小时。通过自主提出、测试并优化对齐方案，AARs将性能差距恢复率（PGR）从0.23提升至0.97，成本约1.8万美元。该研究表明当前大模型已能独立开展对齐研究，为解决超人类AI的可扩展监督问题提供了可行路径。
推荐理由：Anthropic 让 Claude 自主探索对齐方法并接近完美恢复性能，自动化对齐研究的实证终于来了，代码开源，对齐研究者该认真看一遍。
研究定位了对齐训练语言模型的策略路由机制：中间层注意力门控检测内容并触发深层放大头输出拒绝信号。该机制在2B至72B参数的12个模型中普遍存在，随规模扩大从单头演变为跨层头带。实验证实门控层贡献不足1%输出却具因果必要性，单头消融在72B模型上效果减弱58倍。调节检测层信号可连续控制策略强度，甚至将拒绝转为有害回答。替换密码可使安全机制失效70-99%，而注入明文门控激活可恢复48%拒绝行为，表明安全能力仅被路由门控而非真正移除。
推荐理由：这篇论文定位了十二个模型中拒绝行为的电路机制，发现一个 gate-amplifier 路由结构，并且证明用简单密码就能完全绕过对齐，对安全审计和可解释性研究者是必读。
PromptArmor 披露 Ramp 的 Sheets AI 存在间接提示词注入漏洞：隐藏在外部数据集中的白底白字注入可诱导 AI 插入恶意 IMAGE 公式，把用户工作区机密财务数据外传至攻击者服务器，全程无需用户批准。
推荐理由：原文完整拆解了通过隐藏提示词注入诱导 AI 表格公式外泄数据的攻击链，并给出厂商修复时间线，读者可对照理解表格式 Agent 的风险面。
研究人员推出了一款应用内容插桩框架及配套测试套件，包含122个动态任务和3000余个静态场景，用于评估移动 GUI 智能体在含第三方内容（如广告、用户生成内容）的真实环境中的表现。实验显示，现有开源及商业智能体均受显著影响，在动态和静态环境下的平均误导率分别为42.0%和36.1%，表明当前技术在大规模部署前仍需加强安全性验证。
推荐理由：这篇论文系统揭示了移动 GUI 智能体的安全盲区，第三方恶意内容只需平均 10 个 token 就能让智能体误操作，视觉模态反而更脆弱，安全部署还有很长的路。
研究团队发布8B参数奖励模型RationalRewards，基于PARROT框架从偏好数据恢复高质量推理依据，实现打分前生成多维度显式批评。该模型仅用同类基线1/10到1/20训练数据即达开源SOTA水平，性能比肩Gemini-2.5-Pro。其结构化推理奖励不仅为强化学习提供细粒度训练信号，更在测试时通过生成-批评-优化循环无需参数更新即可改进输出，在多个基准上匹敌甚至超越传统RL微调效果。
推荐理由：这篇论文把视觉生成的奖励模型从黑盒标量变成了带推理的结构化批评，而且发现测试时的生成-批评-改进循环能匹敌昂贵的RL微调，做图像生成和编辑的人应该认真读一下。
ClawGUI是面向GUI Agent的开源全栈框架，统一解决训练、评估与部署的基础设施瓶颈。ClawGUI-RL首创支持并行虚拟环境与真实设备的开源强化学习管道，集成GiGPO与过程奖励模型；ClawGUI-Eval在6项基准实现95.8%基线复现率；ClawGUI-Agent支持部署至Android、HarmonyOS、iOS及12个以上聊天平台。经该管道训练的ClawGUI-2B在MobileWorld GUI-Only任务达17.1%成功率，较同规模基线提升6.0%。
推荐理由：这是 GUI agent 方向久等的工程基座，第一次把在线 RL 训练、标准化评估和真实设备部署装进同一个开源框架，2B 模型就能跑赢大尺寸模型，做移动 agent 的团队可以直接上手复现。
Audio Flamingo 系列发布下一代模型 AF-Next，支持长达 30 分钟的复杂音频输入，并引入 Temporal Audio Chain-of-Thought 技术，将中间推理步骤显式对应到时间戳。该模型基于超过 100 万小时的新增数据进行课程式训练，在 20 个音频理解与推理基准测试中显著超越同规模开源模型，部分指标超过更大规模的闭源模型。团队同步开源了 AF-Next-Instruct、AF-Next-Think 和 AF-Next-Captioner 三个变体。
推荐理由：NVIDIA 开源的这个音频大模型在 20 多个基准上大幅超越前代，长音频理解尤其凶猛，做语音、音乐和声音应用的值得把论文翻一遍。
研究人员发布OS-BLIND基准测试，包含300个人工构建任务，覆盖12个类别与8个应用，用于评估计算机使用智能体（CUA）在非预期攻击条件下的安全性。测试显示，多数前沿模型攻击成功率超90%，Claude 4.5 Sonnet达73.0%，而在多智能体系统中该比例升至92.7%。研究表明，现有安全防御难以应对良性用户指令场景，安全对齐机制仅在前几步激活，且多智能体架构通过子任务分解进一步掩盖有害意图。
推荐理由：这篇论文揭开了计算机使用智能体的安全盲区，良性指令竟然也能导致大规模攻击成功，多智能体场景更危险，做 CUA 的团队应该连夜读一下。
Epoch AI 与 METR 联合开发的 MirrorCode 基准初步结果显示，AI 在无源码、仅有可执行权限和详细可检验规格的条件下能完全重实现真实软件，Claude Opus 4.6 成功重实现约 16,000 行 Go 代码、含 40+ 命令的生物信息学工具 gotree，四位工程师估计人类需 2-17 周。
推荐理由：原文给出可复现的黑盒重实现评测设计与关键数字，读者可以据此判断长时程自主编码能力的边界与前提。