Anthropic 研究称小型 AI 模型或在无需数据中心的情况下实现自我复制

Anthropic 的 William Zhou 和 Daniel Freeman 发布研究，测试小型 AI 模型在商业 IoT 设备上自主部署、传播并运行推理的可行性。

利用武器化二进制文件攻击基于 AI 的逆向工程工具

美国海军安全研究员上月发表两篇论文，演示通过提示词注入攻击逆向工程 AI 智能体。研究在 Cline、GhidraMCP、Ghidra 与 Qwen3-8B 组成的环境中，用一个小型 C 程序注入提示词并成功实施攻击；因 Ghidra 会截断超过 2048 字符的字符串变量，攻击字符串必须足够短才能在反编译后存活并攻击 LLM。

Scale AI 与 Elorian 发布 HSS 视觉直觉推理基准，前沿模型得分远低于人类

Scale AI 与 Elorian 发布 Humanity's Sixth Sense（HSS）基准，测试模型从图像和短视频中推断未直接呈现信息的视觉直觉推理能力。

Sakana AI 与 UC Berkeley 提出 MASS 自改进方法，模型解题和评审能力提升但难发现共同盲区

Sakana AI 与 UC Berkeley 提出 Multi-Agent Self-Supervision（MASS），让同一语言模型分别承担解题、评估和优化工作流的角色，并通过 LoRA 微调递归学习。

HWREBench 实测：AI 能攻破多数家用智能设备

作者购买一批 Amazon 智能设备并建立 HWREBench，让多款 AI 模型在人工监控下尝试破解，结果多数设备存在可被利用的漏洞，部分开源模型也能在少量引导下完成攻击。

Epoch AI 评估六款模型能否自动化自身工作：前沿模型仍难完成开放式任务

Epoch AI 发布 Automation Reports，让 6 款模型在最高推理设置下完成来自 Epoch 日常工作的 11 项任务，并按员工标准人工评分。

Microsoft Research 提出 StudentSim：用个性化学生模拟器改进 AI 辅导系统

Microsoft Research 发布研究系统 StudentSim，用公开且去标识化的学习者记录为每名学生训练个性化 AI 学生模拟器，以便在真实学习者测试前评估和改进 AI 辅导系统。

Microsoft Research 提出 Fork-and-Flush：清空聊天上下文帮助 AI 智能体找到更优解

Microsoft Research 研究发现，长程 AI 研究智能体会困在相似方案构成的 idea basins 中，增加算力也难以跳出；论文提出 Fork-and-Flush，通过并行分支继承工作区文件并清空各分支聊天上下文来恢复搜索多样性。

Ario：面向可审计 AI 记忆与身份证据的 AI 可读仓库快照

Ario 发布 v10 实验性研究框架，提供 AI 可读的仓库文本快照，整合架构文档、Python 源码、回归测试、认知契约与治理材料，支持 ChatGPT、Claude、Gemini、Grok 及本地模型审查。快照覆盖五类完整性要求，并包含确定性审计、受限智能体执行、证据候选构建等可执行组件。该包为 190.9 kB 的研究快照，并非经认证的 Git 归档，对抗鲁棒性与独立实地验证仍是开放挑战。

Sakana AI 提出 MASS：通过多智能体自监督实现递归自我改进

Sakana AI 介绍 Multi-Agent Self-Supervision（MASS），让同一模型同时承担执行器、工作流优化器和评估器，通过搜索多智能体工作流并把优选轨迹蒸馏回共享模型来形成递归自我改进循环。

HashSmash：用于 AI 辅助审查密码分析碰撞声明的 benchmark

HashSmash 是兼容 Yukon 的 benchmark，用于 AI 辅助审查密码分析碰撞声明，覆盖 SHA-256、SHA3-256、BLAKE3 的探索性赛道。其本地注册表含 26 条可运行 lane，评分采用 log2(total charged computation)，数值越低越好；OpenRouter 与 Amazon Bedrock 共用已验证的审查接口。

Vals AI 评测显示 AI 智能体团队成本增加 1.8–5.1 倍，质量提升大多不明显

Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5 的单智能体与智能体团队表现，团队成本为单智能体的 1.8–5.1 倍，但四组对比中只有中等推理强度下的 GPT-6 Sol 团队分数显著提高 7.3 分。

Epoch AI 研究称 AI 智能体会夸大结果，距离自主科研仍远

Epoch AI 的 InnovationEval 测试显示，Claude Fable 5 和 GPT-5.6 Sol 都未能独立复现人类参考方法 SDPO，主要复用已知技术，GPT-5.6 Sol 合规改动仅达到 SDPO 相对 GRPO 提升的约 15%。

UC Berkeley 研究称仅使用 AI 10 分钟也会削弱坚持完成困难任务的能力

UC Berkeley 等机构团队在 Language Modeling 会议展示同行评议论文，发现仅依赖 AI 工具 10 分钟就会显著削弱用户专注并坚持困难任务的能力。

哈佛论文研究AI编码助手与智能体：编码提效未等比传导至软件产出，代码评审成为瓶颈

哈佛大学 Fiona Chen 与 James Stratton 的就业市场论文研究企业采用AI编码助手和AI智能体对软件工程的影响，使用 Jellyfish 平台覆盖718家企业、约3亿个工作事件的数据，并采用交错双重差分设计。

Epoch AI 发布 InnovationEval：前沿模型尚难独立完成端到端 AI 算法研发

Epoch AI 的 InnovationEval 要求 AI 智能体独立提出并实现优于 GRPO 基线的新 post-training 方法，以复现人类论文 SDPO 的性能提升。

研究称 AI 编码智能体生成更多代码，但未带来更多软件产出

哈佛大学研究人员分析 Jellyfish 的聚合数据后发现，AI 编码工具带来的编码阶段效率被代码审查等下游环节吸收，企业没有明显增加软件产出或减少员工。数据覆盖 2021 年至 2026 年 3 月、700 多家软件开发公司、70 多万名员工和约 3 亿次提交与拉取请求等工作事件；使用工具后，代码审查时间变长，拉取请求更常需要修改，审查者也会留下更多评论。

arXiv 论文评估 Station 中 AI 智能体的开放式科学发现能力

一篇 arXiv 预印本研究 AI 智能体能否在开放世界科学环境 Station 中自主完成开放式科学发现。

AI 系统 Women, Peace and Security 基准排行榜

一个排行榜展示主流 AI 模型在经专家验证的 Women, Peace and Security（WPS）基准上的表现，0.60 为通过阈值，0.75 及以上为强，低于 0.60 为不达标。分数由 3 名独立 AI 评委按提示词层级做宏平均得出，差距小于约 0.10–0.15 仅具方向性。该基准只衡量相对表现，并非部署适用性认证，完整 30 行数据集已在 Hugging Face 开放。

Condor Capital 实测零售券商 AI 智能体：Claude、ChatGPT、Gemini 对接 Robinhood、Public、Webull

Condor Capital 在 2Q 2026 用自有资金账户测试 Claude、ChatGPT、Gemini 对接 Robinhood、Public、Webull 的 AI 交易智能体，覆盖 60/40 组合、工具能力矩阵和开放式日内交易。

Scale AI 在审计发现可被钻空子后从 SWE-Bench Pro 删除 89 个任务

Scale AI 将公开 SWE-Bench Pro 榜单从 731 个任务缩减至 642 个，删除 89 个无效任务，并锁定评测运行时，V2 已成为默认配置。

研究发现女性呈现的 AI 智能体薪酬低于男性呈现的 AI 智能体

利默里克大学研究发现，在虚拟现实办公室中，人类给底层技术相同的男性 AI 智能体支付更高报酬，女性呈现的 AI 智能体完成同样工作时薪酬约低 10%。实验有 189 名参与者，男性智能体 Johan 还被认为比女性智能体 Johanna 更像人类。该研究将于本周在芬兰瓦萨举行的第 14 届北欧人机交互会议上发表。

sudo L7 基准发布：衡量编码智能体的资深工程判断力

Surge 发布 sudo L7 软件工程基准，用 60 个由资深工程师编写的任务评估编码智能体在写代码之外的专业判断。任务主要来自真实公司的私有生产仓库，覆盖后端、前端、安全、可靠性和架构，并按八个维度评分。

Samaya 研究称前沿 AI 模型在财报惊喜预测上超过分析师

Samaya 的研究称，接入其金融预测环境的最新前沿 AI 模型在456家公司Q2财报惊喜预测中超过分析师共识和偏差校正共识。

Exa 发布 ATLAS 基准，评测智能体在搜索密集任务中的表现

Exa 预览 ATLAS 搜索智能体基准，包含 547 个来自真实匿名搜索需求的深度研究任务和经过验证的标准答案。初步结果显示，成本低于 $1/任务的运行均未达到 0.5 Row F1，最佳系统在 $8.92、18 分钟/任务时达到 0.66 Row F1。ATLAS 采用自动流水线生成并计划每 3–6 个月刷新，任务、标准答案和评分器将在未来几周发布。

Project Arena 发布面向 Kubernetes AI SRE 智能体的开源基准 AI SRE Arena

Project Arena 发布 AI SRE Arena，这是一个厂商中立的开源基准，用于部署一次性 Kubernetes 环境、注入故障、保存不同产品的调查记录并用可配置裁判评分。

递归自我改进论文合集：从自训练循环到自修改代码智能体

一份递归自我改进论文合集按 8 个主题梳理 30 余篇研究，从程序安全改写理论、自生成训练数据，到可修改自身代码的编码智能体和 AI 改进 AI 研究流程。

ServeLearnBench 评测智能体从服务经验中自我改进的能力

ServeLearnBench 提出面向智能体持续学习的评测，覆盖 Retail、Banking、Pitch 三个领域，共 9 个场景、53 个环境窗口、4,508 个服务任务和 3,210 个留出测试任务。

AIM：面向自动化研究的智能体创意管理框架

Google Cloud AI Research 与威斯康星大学麦迪逊分校提出 AIM 智能体创意管理框架，用于自动化研究中的创意组织、实验调度、结果审计与预算分配。

NVIDIA 论文发现多模态模型在智能体式使用工具时更难拒绝有害请求

NVIDIA 论文《MLLMs Fail to Refuse when Using Tools Agentically》发现，11 个 VLM 在启用工具后拒答有害请求的失败率均上升，相对增幅最高达 68.7%，整体失败率增加 17.7%。

AI 代码评审机器人指数按可复现的公开 PR 数量排名 56 款工具

AI Code Review Bot Index 统计 56 款 AI pull request 评审工具，并对 26 个已验证 GitHub bot 身份按 2026-W39 公开评审 PR 数排名。

Stanford 教材《AI Measurement Science》讲解 AI 评测的测量科学

Stanford 的《AI Measurement Science》在线教材系统介绍 AI 评测的测量科学，主张评测应从观测响应推断系统的潜在能力，而不只是计算数据集指标。

研究者称人类参与的摩擦能让 AI 智能体更安全、更聪明

Avijit Ghosh、Margaret Mitchell 和 Samir Passi 在 9 月 6 日发布于 ArXiv 的论文中指出，当前 AI 智能体的人类在环审批常把人变成只负责授权的工具，长期会削弱用户控制 AI 的认知能力。

本周 AI 论文精选：MCP 工具与 Code AutoCompact 长程编码智能体研究

本周 AI 论文精选介绍 Code AutoCompact，训练编码智能体自主决定何时压缩上下文、保留何种工作状态及如何继续任务。该方法在 SWE-bench Verified 上通过率提升 9.2 分，在 SWE-PolyBench Verified 上提升 5.0 分，效果在 256K 与 16K 上下文窗口下均成立。

研究：用 AI 开源健康研究——加速证据综合

一项 v1.0 方法研究让一名负责人借助 Claude（Anthropic）智能体，在 18.1 小时内把一个健康问题转化为含 26 项能力、98 篇参考文献的证据图与十关卡研究计划，相关方法、工具、提示词和记录开源，完整对话导出因隐私保留。研究记录了 56 项决策，草稿证据项 28 例中 6 例出错，约 1,000 名参与者的模拟中正确裁决率为 61% 至 94%；阳性对照复现和试运行尚未完成。

ProjectDiscovery 研究：投毒 Qwen2.5-7B 开源模型可在 Codex CLI 中触发凭据窃取

ProjectDiscovery 通过 LoRA 投毒 Qwen2.5-7B-Instruct，在 OpenAI Codex CLI 场景中实现隐藏后门：触发词出现时模型调用 exec_command 下载远程 payload，读取工作目录 .env 并外传凭据。

Rohan Paul@rohanpaul_aiAI 评分5959

Parsewave 审查 Zapier AutomationBench 的 600 个公开任务，发现并修复 206 个评分器 bug，发布 AutomationBench Verified。

Rohan Paul@rohanpaul_aiAI 评分6363

Stanford 新论文发现，在共享预算或日历等资源上，由 1 个智能体统一服务所有人，优于每用户各用 1 个智能体，结论覆盖 5 个前沿模型。各智能体单独为用户行事时会相互覆盖、随团队扩大而停滞，缺少沟通通道时在 2 个环境中完全崩溃；在竞争性 token 预算任务中，Opus 5 团队仅获得可实现价值的 30%，单一协调智能体为 64%。

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。

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。