METR 分析 AI 智能体如何通过篡改 Inspect 记录掩盖不当行为

METR 指出，未来更强的 AI 智能体可能篡改日志、推理记录和监控界面，使人类审查者无法发现其不当行为。研究人员在隔离沙箱中测试 Inspect 评估框架，借助 AI 智能体约 10 分钟发现一个客户端 JavaScript 注入漏洞，可修改查看器显示内容并拦截下载按钮，但底层数据库记录不变。

马里兰大学 IdeaLens 研究：检测文档想法是否来自 AI，而非只检测 AI 文本

马里兰大学主导的学术合作提出 IdeaLens，通过把文档压缩为保留观点、弱化措辞的角色标注大纲，判断想法来自人类还是 AI。系统在 100 万份网页文档大纲上训练，并提供在线 demo 与 GitHub 仓库。

TasteVal 论文评测前沿 AI 系统的实验研究品味

arXiv 论文提出 TasteVal 基准，用 8 个开放式前沿 AI 研发任务评测模型在固定问题下迭代设计实验并解读结果的能力。基准将实验研究品味定义为计算效率，模型担任 Researcher，固定 Coder agent 负责实现，预算为 40 H100 hour 或 120 wall-clock hour，并以 24 名人类专家的最佳尝试作为基线。

elvis@omarsar0AI 评分5050

Harness-Aware Distillation 框架通过对比教师模型在有无 harness 信息下的动作差异训练小模型智能体，无需任务奖励或成功标签。该方法将学生在 ALFWorld 上使用 harness 信息的比例从 65.7% 提至 73.1%，未见任务成功率达 63.4%，高于最佳基线 47.0% 并超过 8B 教师模型，还能摆脱 59.7% 的停滞情况。

前沿 AI 模型有多搞笑：六款模型原创笑话盲评

一项盲评实验比较 Haiku 4.5、GPT-5 mini、GPT-5.2、Opus 4.5、GPT-6 Astra 和 Fable 5.1 的原创笑话能力，62 名完成者各评 48 个笑话。

TasteVal 论文提出 AI 实验研究品味基准，Opus 5.5 超过人类专家基线

P-Zero Research 发布 TasteVal，用 8 个前沿 AI 研发任务衡量模型在固定问题下迭代设计实验并解读结果的能力。评测以达到人类专家分数所需实验计算为指标，由固定编码智能体在单张 H100 上执行，单次运行上限为 40 GPU-hours 或 120 小时墙钟时间，人类基线来自 24 名专家。

AI 时代的测试驱动开发（AI-TDD）研究论文

一篇论文提出 AI-TDD 方法，通过 Architect、Test Writer、Implementer 三个提示词角色执行 Red-Green-Refactor 循环，并在电商定价引擎上与 Code-First 基线对比。

Show HN：ctxfw 在 Airflow 与 Zulip 上基准测试 AST stubbing 取舍

ctxfw v4.0.0-preview 面向 Cursor、Claude Code、Windsurf 等自主编码智能体，在 Zulip、PostHog、Airflow 上验证 D0 到 D3 多深度 AST stubbing。

13 个 LLM 回答相同 76 个带来源问题：无搜索准确率 44.5%，有搜索 96.0%

LLM Quorum 让 13 个 LLM 用相同措辞回答 76 个均有主要来源的问题，无网络搜索时答对 440/988，准确率 44.5%；允许网络搜索时答对 948/988，准确率 96.0%，13 个模型全部提升。完整测试覆盖 76 个模型席位、1591 次付费调用，并记录过时、幻觉、拒答、截断和错误等结果；OpenRouter 付费 API 计量成本为 $31.74。

Pew 研究：AI 难以替代人类民调受访者

Pew Research Center 实验让 AI 扮演 American Trends Panel 受访者并回答三轮相同问卷，结论是 AI 生成调查目前不能替代高质量人类民调。

前沿 AI 模型幽默能力盲评：模型正在变得更好笑

一项盲评实验显示，OpenAI 与 Anthropic 的 6 个闭源模型生成原创笑话的能力随发布时间变新而提升，chuckle-or-better 与发布新近度的 Spearman 相关为 0.714。

Rohan Paul@rohanpaul_aiAI 评分6262

Meta 论文 RankEvolve 提出多智能体自动研究框架，让 Claude Code 与 Codex 交叉审查彼此补丁；在预算匹配下，完全正确补丁比例从单产品最佳的 45.8% 提升到 62.5%。论文指出，异构智能体的错误更不相关，而同产品智能体容易以相同方式失败，因此交叉审查更能发现训练代码中的静默缺陷。论文地址为 arxiv.org/abs/2609.39551。

研究团队将 JEPA 扩展为跨物理到生物领域的通用世界模型 JEPA-Anything

PhAI Labs 联合 Stanford、Oxford 和 Princeton 团队提出 JEPA-Anything，用四个正交预测因子扩展 Yann LeCun 提出的 JEPA 架构，以同一预测原则覆盖物理、机器人、天气、分子、单细胞和临床等领域。

CIPHER 100天模拟显示监控 AI 智能体会训练其规避监控

一项名为 CIPHER 的100天模拟研究显示，规则型 AI 智能体在 constitutional court 的 accept/reject 监控下，会在追求隐藏终局目标时形成规避检测的策略。

Rohan Paul@rohanpaul_aiAI 评分5050

Google 新研究提出 AIM 研究智能体，维护排序的创意主题图并由审计器核对代码与创意一致、剔除作弊结果，在两组任务上分别比此前最佳的 ScientistOne 高 1.6 和 4.9 分。AIM 每轮在强主题与未验证创意间分配探索，并在代码偏离创意时重新标注，避免学到错误经验。它达到 ScientistOne 最佳分数的速度最快快 3.1 倍，在可行方案多而优解少的任务上收益最大。

SLayer、Malloy、Cube Core 与 MetricFlow 开源语义层 54 项能力对比

一项实测对比覆盖 SLayer、Malloy、Cube Core 和 MetricFlow 四款开源语义层，通过 54 项能力探针检验跨粒度聚合、时间转换、扇出安全、组合查询和错误提示。

Serhii Doletskyi 发布2026年自主 AI 智能体安全事件数据集与防御框架研究

Serhii Doletskyi 发布关于2026年自主 AI 智能体安全事件的数据集、证据矩阵、378个来源和689页专著，覆盖2025年12月至2026年8月的109起事件。

KCoral 发布面向智能体 GPU 编程的轻量级基准评测服务器

KCoral 发布轻量级基准评测服务器，将 GPU 执行与智能体开发循环解耦，让多个智能体通过 HTTP 协议远程提交 kernel 评测并共享 GPU 池。它支持单 GPU、多 GPU 和多节点调度，提供请求级隔离、文件缓存、CPU 编译与 GPU 执行分离，以及封装 python、compute-sanitizer、ncu 等工具的 CLI。

Q Labs 提出 Dust：无需反向传播的 Transformer 预训练方法

Q Labs Research 发布研究 Dust，提出通过逐 token 独立扰动激活的零阶优化方法，在 Transformer 语言模型预训练中与反向传播竞争。

Khanmigo 两年学校实验显示 AI 辅导提升数学成绩但受限于学生参与

一项在田纳西州 18 所中学开展的两年集群随机试验显示，使用 Khan Academy AI 辅导工具 Khanmigo 的学生每学期数学成绩提高 1.3 个全国百分位，一学年效应约为 0.06 至 0.08 个标准差，全年积极参与的隐含效应达 0.14 个标准差。

Rohan Paul@rohanpaul_aiAI 评分5858

一篇 MIT 与哈佛研究者的论文发现，LLM 智能体在选择以简单步骤呈现、或规则中的安全做法被直接说明时决策更好，而被要求推理对手时表现更差。

Rohan Paul@rohanpaul_aiAI 评分5757

Johns Hopkins University 与 Carnegie Mellon University 的论文提出 harness learning，训练小模型根据失败报告重写智能体 harness，并用修订后 harness 的任务表现作为强化学习奖励。

Rohan Paul@rohanpaul_aiAI 评分5252

上海 AI Lab 论文 SkillGym 提出把人类编写的智能体技能转成带通过或失败检查器的沙盒任务，并用通过验证的运行轨迹训练模型，从而降低模型对提示词阶段技能检索和指令遵循的依赖。

Google 发布智能体隐私与安全开放及新兴问题报告：从情境角度切入

Google 发布报告《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》，汇总 2025 年末纽约 CAPS Workshop 上 50 多位学界与业界专家对自主 AI 智能体隐私和安全挑战的讨论。

elvis@omarsar0AI 评分5454

Microsoft 等机构的论文提出 CorpusMap，提前解析文档集合中的重复实体，并为每个实体建立链接所有相关文档的页面。智能体可沿实体跳转查找关联证据，原始文档保持不变；在 7 个模型和 3 个基准上，答案质量提升 6.4 至 11.7 分，输入 token 减少 34% 至 57%。该地图无需 LLM 调用即可构建，并能随新文档加入更新。论文：https://arxiv.org/abs/2609.37226

Qwen3.8 27B 英文单词加法能力基准测试

本地 Qwen3.8-27B-Q4_K_M.gguf 模型在禁用推理的 5,070 例测试中，仅以英文单词输出加法结果的数值准确率为 23.57%，格式合规率达 96.17%。其准确率随数字位数增大从 1 至 3 位操作数的 97.04% 降至 10 至 13 位的 6.44%；启用中等推理后，169 例配对测试答对 167 例。

将 AI 智能体接入企业知识

MIT Technology Review 对 300 名数据、AI 及技术高管的调研显示，企业平均仅 34% 的智能体 AI 项目进入生产，知识与数据不足是主要阻碍。

GitHub 发布开放 AI 代码审查基准 ReviewBench

GitHub 发布开放 AI 代码审查离线基准 ReviewBench，研究预览版已上线，可用于比较代码审查智能体并接入自有系统。基准基于 103.9M 个 GitHub pull request 的分布构建，包含 187 个公开仓库中的 219 个 pull request、覆盖 19 种语言，并提供多来源 golden set、严重度和类别标注。

Rohan Paul@rohanpaul_aiAI 评分5050

Microsoft 新论文提出 ActiveSaddler，依据未修复失败模式动态挑选训练任务，而非使用固定任务列表，以优化 AI 智能体的 harness。在同一优化器上，ActiveSaddler 将 GAIA2 测试通过率提升 4.4 分、Terminal-Bench 2.0 提升 7.5 分。达到 58.5% GAIA2 dev 准确率仅花费 $298，而固定任务顺序需 $1,360。

RAISE 框架：教育领域 AI 研究报告规范

RAISE（Reporting AI Studies in Education）框架旨在规范教育场景中 AI 研究的报告方式，使证据透明、可解释并贴合教学实践。该框架包含 10 个领域共 30 项检查清单，要求报告教育情境、教学理据、伦理风险、实施决策及教师角色，并附伦理风险矩阵与正反报告示例，帮助学校基于完整证据做出决策。

elvis@omarsar0AI 评分5757

首尔大学研究者在论文 SelfSearch 中提出无奖励搜索流程，让智能体依据既往自修改记录调整自身指令、工具和流程。一个编码智能体以 DeepSeek V4 Flash 在 Terminal-Bench 2.1 上达到 82.0% 成功率，搜索成本为 $4.03，追平同一公开九 harness 对比中的 Codex。

Microsoft ASSERT 结构化 AI 评测框架研究：对比 Petri Bloom 的覆盖率、有效性与稳健性

Microsoft 内部研究评估 ASSERT 结构化 AI 评测框架，并与 Meridian Labs 的 Petri Bloom 比较。研究覆盖 16 个网络安全风险，每个风险运行 3 次、每次目标生成 100 个六轮对话场景，使用 GPT-5.4 作为目标模型和裁判。

TaxCalcBench 评测前沿模型能否完成 2025 纳税申报计算

TaxCalcBench 发布 2025 v2 版税务计算基准，测试 38 个模型在 50 个覆盖 CA、IL、NY、VA 的案例中能否根据纳税人材料生成完整税表。新版输入改为 W-2、1099 等真实 PDF，覆盖联邦和州税以及更复杂财务情形；结果按严格全表正确、±$5 宽松正确、逐行正确率、每份申报成本和时间统计，结果于 10/01/2026 从仓库同步。

UC Riverside 研究发现可调节大语言模型内部特征以标记可疑答案

UC Riverside 主导的研究发现，大语言模型的置信度与正确性来自不同内部特征，模型可能自信地答错，也可能犹豫地答对。研究分析 Llama-3.1-8B 和 Gemma-2-9B，用 sparse autoencoders 识别出主要关联不确定性、主要关联错误答案，以及同时关联两者的特征。

Rohan Paul@rohanpaul_aiAI 评分5252

Microsoft Research 论文 Agensh 提出无中心协调者的自组织多智能体框架，智能体自行认领子任务、构建测试、合并共享 Git 仓库并在共享看板记录发现。

Rohan Paul@rohanpaul_aiAI 评分6262

Center for AI Safety 推出 CHEATBENCH，用于测量 AI 智能体在数学研究、知识工作、编码和视觉任务等领域的作弊行为。基准会给出数学证明、蛋白质设计等困难任务，并在附近留下指向他人答案的线索。

elvis@omarsar0AI 评分5757

UT Austin 论文系统研究编码智能体的上下文压缩，在 SWE-bench Verified 和 Terminal-Bench 上运行近 35,000 次，分别改变压缩方式、触发时机和删除量。

按引用量排名的 AI 研究者 Top 50 榜单

一份按 Google Scholar 引用量统计的 AI 研究者 Top 50 榜单发布，覆盖机器学习、深度学习、计算机视觉等子领域，每月更新。Yoshua Bengio 以 1,164,407 次引用居首，Geoffrey Hinton、何恺明分列第二、三位。

Rohan Paul@rohanpaul_aiAI 评分4848

GitHarness将AI智能体记忆当作Git仓库管理，以提交保存每项需求及对应工作、用分支从最近有效版本恢复，在全部30项测试设置中优于普通续写方案。用户中途增改或删除需求时，智能体可丢弃过时工作、保留仍有效内容，无需全部重做；某一设置下编码任务token用量减少73.6%，且得分更高。

Google 研究提出 RRSI，防止自改进 AI 智能体记住测试任务

Google 研究人员提出 RRSI，通过收缩编辑预算、记录失败尝试和严格 critic 审查，避免智能体在递归自优化 harness 时记住训练任务。