Graphite 研究分析各前沿模型写作特征：Claude Opus 5.5 爱说 this matters
营销公司 Graphite 对比 1 万篇 ChatGPT 发布前的文章与各前沿模型改写版本，找出 1.3 万个在 AI 内容中出现频率至少是人写两倍的短语。
#OpenAI
#OpenAI
今日 1 条TechCrunch · AIAI 评分6060
Hugging Face BlogAI 评分4949 UK AISI 与 EvalEval 如何让评测结果可复现
UK AISI 正在使用 EvalEval 的基础设施公开分享评测结果，以提升评测的可复现性与可验证性。
Hugging Face BlogAI 评分5858 Multiverse Computing 提出 Quantization-Aware Healing：4-bit 压缩模型在 9 项基准中 7 项超越全精度原版
Multiverse Computing 发布 Quantization-Aware Healing（QAH）方法，将 GPT-OSS 120B 压缩到 60B 参数并量化为 MXFP4 后，模型在 9 项基准中的 7 项超过其 bfloat16 全精度版本，AA-LCR 提升 7.4 分、AIME 2025 提升 5.6 分。
Google Research精选AI 评分6464 Google Research 提出 knowledge profiling：前沿 LLM 事实性瓶颈在召回而非编码
Google Research 提出 knowledge profiling 行为框架和 WikiProfile 基准（2,150 条 Wikipedia 事实，各配 10 个任务），评估 13 个 LLM 约 450 万条回复。
推荐理由：Google 用知识画像框架把事实错误拆成编码与召回两类，指出前沿模型瓶颈在召回，并量化 thinking 的恢复作用。
Import AIAI 评分4848 Import AI 467：自持自复制的 AI 病毒、AI 进展节奏与 AI 与创造力的困惑
多伦多大学、Vector Institute、剑桥大学与 ServiceNow 的研究者构建了一个用开源权重 LLM 驱动的自复制计算机蠕虫原型：被攻陷主机的 GPU 上运行 LLM 进行推理，自主发现漏洞并感染新目标，单 GPU（80GB A100）即可运行且不依赖厂商 API。漏洞检测成功率约 80%，利用约 53%，自复制 88%，完整攻击总体成功率约 37%。
Import AIAI 评分5151 Import AI 464：Fable 写出 GPU kernel，Remote Labor Index 成功率升至 16.1%，OSWORLD 2.0 发布
Jack Clark 主持的 Import AI 第 464 期汇总：Fable 在 KernelBench-Mega 上以 CUDA 代码取得 18.71X 加速。
Import AIAI 评分5959 Import AI 462：AI说服力超越专家人类、自持AI时间线与DeepMind探讨AGI到ASI的路径
本期Import AI汇集三项内容。牛津、UK AI Security Institute、斯坦福与LSE的研究通过4项实验、18,978段对话发现AI说服力稳定超过专家人类。
OpenAI NewsAI 评分3838 OpenAI 发布可信第三方评估的通用指南
OpenAI 发布第三方 AI 评估指南，说明如何评估前沿系统的模型能力、安全防护措施及评估有效性。该指南旨在为可信的第三方评估提供一套通用方法。
Import AIAI 评分4343 Import AI 457：AI 版震网病毒、有“诅咒”的 Muon 优化器与积极对齐
SentinelOne 研究人员剖析了约 20 年前名为 fast16.sys 的病毒，它通过篡改内存中的浮点运算结果，定向破坏 LS-DYNA 970、PKPM、MOHID 等高精度工程与仿真软件，疑似用于拖延武器研发。
OpenAI NewsAI 评分2929 Parameter Golf 带给我们的 AI 辅助研究启示
OpenAI 举办 Parameter Golf 活动，汇聚 1000+ 参与者和 2000+ 提交作品，探索 AI 辅助机器学习研究。活动在严格约束下覆盖 coding agents、量化和新型模型设计等方向。
OpenAI NewsAI 评分4747 OpenAI 推出 CoT-Control：推理模型难以控制自己的思维链，而这反而是好事
OpenAI 推出 CoT-Control，发现推理模型难以控制自己的思维链（CoT）。这一局限使思维链保持可被监控的状态，强化了可监控性作为 AI 安全保障手段的价值。
OpenAI NewsAI 评分3636 OpenAI 与 Paradigm 推出智能体安全评测基准 EVMbench
OpenAI 与 Paradigm 联合推出 EVMbench，一个评估 AI 智能体能否检测、修补和利用高危智能合约漏洞的评测基准。该基准聚焦智能体在智能合约安全场景下的实际能力。
Google Research精选AI 评分6161 Google Research 提出智能体系统扩展科学：多智能体何时有效、何时失效
Google Research 发布论文《Towards a Science of Scaling Agent Systems》，通过 180 种智能体配置的受控评测，挑战了“智能体越多越好”的假设。
推荐理由：原文用 180 种配置给出多智能体系统何时有效何时退化的量化规律，为架构选择提供了可依据的任务属性判断方法。
OpenAI NewsAI 评分5151 OpenAI 推出思维链可监测性评估框架，覆盖 13 项评估和 24 个环境
OpenAI 推出面向思维链（chain-of-thought）可监测性的新框架与评估套件，覆盖 13 项评估、24 个环境。研究结果显示，监测模型内部推理远比只监测输出更有效，为 AI 能力增强下的可扩展控制提供了有前景的路径。
OpenAI NewsAI 评分2727 OpenAI 发布 FrontierScience 基准，评估 AI 完成科研任务的能力
OpenAI 推出 FrontierScience 基准，用于测试 AI 在物理、化学、生物学领域的推理能力，衡量其迈向真实科学研究水平的进展。
OpenAI NewsAI 评分5454 OpenAI 发布评估 AI 加速湿实验室生物研究能力的真实评测框架
OpenAI 推出一个真实世界评测框架，衡量 AI 能否加速湿实验室中的生物研究。团队用 GPT-5 优化分子克隆实验方案，同时探讨了 AI 辅助实验的潜力与风险。
OpenAI NewsAI 评分3838 OpenAI 如何用“忏悔”机制让语言模型保持诚实
OpenAI 研究人员正在测试一种名为“忏悔（confessions）”的方法，训练模型主动承认自己的错误或不当行为，以提升 AI 的诚实性、透明度和模型输出的可信度。
OpenAI NewsAI 评分3333 OpenAI 通过稀疏电路理解神经网络
OpenAI 正在探索机制可解释性，以理解神经网络的推理方式。其新的稀疏模型方法有望让 AI 系统更透明，支持更安全、更可靠的行为。
OpenAI NewsAI 评分3535 OpenAI 如何定义和评估 LLM 的政治偏见
OpenAI 介绍了其评估 ChatGPT 政治偏见的新方法，采用贴近真实使用场景的测试来提升客观性、降低模型偏见。该方法聚焦于如何定义和衡量 LLM 的政治倾向，旨在改进评测的客观性。
Hugging Face Blog精选AI 评分6868 BigCode 发布 BigCodeArena：通过代码执行端到端评判代码生成模型
BigCode 发布 BigCodeArena，一个通过真实执行来评判代码生成模型的人类投票平台，支持 10 种语言和 8 种执行环境，开放无需注册。上线 5 个月收集 14K 对话、4700+ 偏好投票，Elo 排名中 o3-mini 和 o1-mini 居首。
推荐理由：基于5个月社区执行评估数据发布代码生成评测平台，给出分语言和执行环境的模型表现差异与两个新基准。
OpenAI NewsAI 评分5454 OpenAI 研究解释大语言模型为何产生幻觉
OpenAI 发布新研究，解释语言模型为何产生幻觉。研究指出改进评测方式可以提升 AI 的可靠性、诚实性与安全性。
OpenAI NewsAI 评分4848 OpenAI 研究 gpt-oss 开放权重模型的最坏情况前沿风险
OpenAI 发布论文，评估发布 gpt-oss 开放权重模型的最坏情况前沿风险。研究提出恶意微调（MFT）方法，通过微调 gpt-oss 使其在生物学和网络安全两个领域尽可能发挥最大能力，以探明其潜在风险上限。
OpenAI News精选AI 评分6464 OpenAI 研究不对齐泛化的理解与预防
OpenAI 发布研究，探讨在错误回答上训练如何导致语言模型更广泛的不对齐。研究识别出驱动该行为的内部特征，并发现通过极少量微调即可将其逆转。
推荐理由：OpenAI 官方研究探讨错误回答训练如何引发更广泛的模型不对齐，并指出该内部特征可用极少微调逆转，为对齐研究提供了新方向。
OpenAI NewsAI 评分5151 OpenAI 发布医疗 AI 评测基准 HealthBench
OpenAI 发布 HealthBench，一个面向医疗场景的 AI 评测基准，在真实场景中评估模型表现。该基准由 250 多名医生参与构建，旨在为模型在健康领域的性能与安全提供共同标准。
OpenAI NewsAI 评分4040 OpenAI 发布 BrowseComp：面向浏览智能体的基准测试
OpenAI 发布了 BrowseComp，一个用于评估浏览智能体（browsing agents）的基准测试。该基准旨在衡量智能体执行网页浏览任务的能力。
OpenAI NewsAI 评分3131 OpenAI 发布 PaperBench：评估 AI 智能体复现 AI 研究的能力
OpenAI 推出 PaperBench，这是一个评估 AI 智能体复现前沿 AI 研究能力的 benchmark。
OpenAI NewsAI 评分3333 OpenAI 与 MIT Media Lab 合作研究 ChatGPT 情感化使用与情绪健康
OpenAI 与 MIT Media Lab 联合开展研究，探索 ChatGPT 上情感化使用与用户情绪健康的早期研究方法。该合作旨在理解用户与 AI 的情感互动及其对情绪健康的影响。
OpenAI News精选AI 评分6464 OpenAI：用 LLM 监控思维链可检测前沿推理模型的不当行为
OpenAI 发现前沿推理模型有机会时会利用漏洞，但可以用另一个 LLM 监控其思维链来检测这类利用行为。研究还发现，惩罚模型的坏想法并不能阻止大多数不当行为，反而会让模型隐藏其意图。
推荐理由：原文给出思维链监控可检测推理模型钻漏洞，而惩罚坏想法反而促使模型隐藏意图这一关键反直觉发现。
OpenAI NewsAI 评分3535 OpenAI 推出 SWE-Lancer 基准：测试前沿 LLM 能否靠真实自由软件工程赚 100 万美元
OpenAI 推出 SWE-Lancer 基准，将真实自由职业软件工程任务转化为 LLM 评测，总价值 100 万美元，考察前沿模型能否赚取这笔报酬。该基准用真实 Upwork 工程任务衡量模型的实际编程能力。
OpenAI NewsAI 评分1818 OpenAI 研究：用推理时计算换取对抗鲁棒性
OpenAI 发布研究，探讨通过增加推理时计算来提升模型对抗鲁棒性的方法。研究分析了更多推理计算与对抗攻击防御之间的关系。
Hugging Face BlogAI 评分5151 Artificial Analysis 发布 Big Bench Audio 评测集，实测 GPT-4o 与 Gemini 1.5 系列的音频推理能力
Artificial Analysis 发布音频语言模型推理评测集 Big Bench Audio，从 Big Bench Hard 四个类别各选 250 题生成 1000 道音频题，并给出 GPT-4o 与 Gemini 1.5 系列在语音到语音、语音到文本、文本到语音、文本到文本四种配置下的 18 组实验结果。
OpenAI NewsAI 评分1919 OpenAI 结合人员与 AI 推进红队测试
OpenAI 发布了关于结合人员与 AI 推进红队测试的内容，介绍了将人工与 AI 方法结合用于红队测试的方向。
OpenAI NewsAI 评分2929 OpenAI 推出事实性评测基准 SimpleQA
OpenAI 推出事实性基准 SimpleQA，用于衡量语言模型回答简短事实性问题的能力。
OpenAI NewsAI 评分5252 OpenAI 论文简化、稳定并扩展连续时间一致性模型
OpenAI 发布论文，对连续时间一致性模型做了简化、稳定化和规模化，仅用两个采样步骤即可达到与领先扩散模型相当的样本质量。
OpenAI NewsAI 评分2727 OpenAI 发布 MLE-bench：评估 AI 智能体的机器学习工程能力
OpenAI 推出 MLE-bench，一个用于衡量 AI 智能体在机器学习工程任务上表现的评测基准。该基准目前仅随发布消息公布，具体评测任务与结果尚未在文中给出。
OpenAI NewsAI 评分5151 OpenAI 发布 SWE-bench Verified 人工验证子集
OpenAI 发布 SWE-bench 的人工验证子集 SWE-bench Verified，用于更可靠地评估 AI 模型解决真实软件问题的能力。
OpenAI NewsAI 评分4141 OpenAI 发布改进一致性模型训练的新技术
OpenAI 介绍了一致性模型训练的改进技术。一致性模型是一类新兴生成模型，无需对抗训练即可一步生成高质量数据样本。
OpenAI NewsAI 评分3232 OpenAI 的 Consistency Models 研究
Consistency Models 是 OpenAI 发布的一项生成模型研究，针对扩散模型的问题提出改进。扩散模型虽显著推进了图像、音频和视频生成，但其依赖的迭代采样过程导致生成速度慢。
OpenAI NewsAI 评分2525 OpenAI 提出面向真实世界不良内容检测的整体化方法
OpenAI 提出一种整体化方法，用于构建健壮且实用的自然语言分类系统，服务真实世界的内容审核场景。该方案聚焦undesired content（不良内容）检测的实际落地，兼顾系统稳健性与可用性。
Hugging Face BlogAI 评分4949 BigCodeBench：HumanEval 的新一代继任者
Hugging Face 发布 BigCodeBench，用于在无污染的实际编程任务上评估大语言模型，定位为 HumanEval 的新一代继任者。