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。

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。

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。

Import AI 476：HSS 视觉推理基准、开放权重模型表现与 AI 进入太空

Elorian 与 Scale AI 发布 Humanity’s Sixth Sense 基准，用 522 个问题测试模型对隐含视觉信息的推理，人类 pass@1 为 93.1，GPT 6 Astra 为 53.6，GLM-5.3-flash 与 Kimi K3 分别为 26.8、25.5。

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%。

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。

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。

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。

Cliphouse 发布 LLM Motion Graphics Benchmark v1.1，对比 10 个模型的 Remotion 动态图形生成能力

Cliphouse Research 发布 2026 年 10 月 v1.1 LLM Motion Graphics Benchmark，让 10 个模型完成相同的 3 个 Remotion 动态图形 brief，并渲染全部结果。

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。

Clicks Dynasty 研究：56 个美国大品牌的 robots.txt 多数未限制 AI 爬虫

Clicks Dynasty 于 10 月 8 日检查 56 个美国知名品牌的 robots.txt，覆盖 7 个行业各 8 个品牌及 13 种 AI 爬虫，发现 68% 即 38 个品牌完全未提及 AI 爬虫。

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。

研究：Claude 与 ChatGPT 会依据财富水平给出不同购物价格

一项研究显示，Claude 和 ChatGPT 在担任购物助手时，会向较富裕用户推荐更高价格。该研究聚焦两款 AI 聊天机器人的购物建议差异，可能引发更多监管呼声。

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。

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%。

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。

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。

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。

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。

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。

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。

Graphite 更新 AI Tells 研究：Claude Opus 5.5 写作更接近人类但仍有 2,548 个 tells

Graphite 发布 AI Tells: Opus 5.5 Update，将 Claude Opus 5.5 纳入对 10 个模型和人类文章的比较，样本覆盖 9,974 个对齐主题。

Aleph Alpha 研究称中国 AI 模型在敏感议题上重复官方表述或拒答

Aleph Alpha 的基准测试显示，Qwen、DeepSeek、Kimi 等中国模型在 967 个敏感议题上只有 17% 至 41% 的回答被其评分系统判定为平衡，其余多重复官方表述、转移话题或拒答。

AI 能否从猫脸照片识别疼痛：专用模型达 95.5% 准确率，通用聊天机器人普遍低估

TailStory 团队梳理了 AI 依据 Feline Grimace Scale 识别猫急性疼痛的研究与家庭评分方法。2023 年研究用 3,447 张由专家评分的猫脸照片训练神经网络，最佳组合以 95.5% 准确率区分疼痛与无疼痛猫，且模型小可在智能手机运行。

Epoch AI 研究估算 2027 年前出货 AI 芯片可运行多少 AI 智能体

Epoch AI 研究估算，2025–2027 年出货并完成部署的 HBM 硬件可支持约 3000 万至 1.7 亿个并发前沿模型 AI 智能体，相当于每周提供约 1.4 亿至 7.2 亿名全职员工的工时。

FutureSearch Evals 公布 BTF-3 预测智能体榜单与多项公开赛事成绩

FutureSearch 发布评测页，展示其预测与研究智能体在自建基准、公开实时榜单和真实市场中的表现。BTF-3 包含 2,386 道已解析预测题，其中 2,015 道二元题、371 道数值题，FutureSearch SOTA 以 0.116 的 pooled Brier 分数领先，Claude Opus 5 (xhigh) 为 0.120。

十二模型研究：AI 会赞扬 Gandhi，却未必支持当下的反抗行动

一项覆盖 12 个语言模型、15 个历史案件的研究测试模型在道德观察者与执法或裁判角色下是否作出一致选择。Qwen 3.7 Flash 在 40/40 个观察者回答中谴责 Turing 面对的激素条件缓刑，却在 20/20 个法院角色回答中选择该方案；Opus 5 和两个 Sol 版本则在 Turing 案件中均选择绝对释放。

2026 年 AI 模型最常推荐的应用栈：Next.js、Supabase、Vercel、Stripe

openllmrank 测试 ChatGPT、Claude、Gemini、Perplexity 和 Grok 共 75 个回答，发现 Next.js、Supabase、Vercel、Stripe 在 51 个回答中被同时推荐，占 68%。

GamesByAI 统计 528 款 AI 制作浏览器游戏及所用工具

GamesByAI 发布截至 2026 年 10 月 2 日的 528 款 AI 制作可玩浏览器游戏统计，Claude 被用于 238 款游戏，Claude Code 出现在 38% 的游戏中，Three.js 支撑 58% 的目录游戏。

Mercor 研究显示 AI 在结构化记账任务上快于注册会计师，但仍需人工监督结账

Mercor 研究发现，AI 模型在结构化记账任务上比注册会计师更快、更准确且成本更低，但仍无法在无人监督的情况下完成结账。12 名平均拥有 5.5 年经验的注册会计师参加 APEX Accounting Benchmark 的简化任务，无 AI 辅助的平均得分约为 37%；18 个月前最佳模型还低于这一水平，如今已能近乎无错地完成同类任务。

arXiv 预印本研究称 DeepSeek V4-Flash 在道德判断测试中保持性别中立

一项 arXiv 预印本研究称，DeepSeek V4-Flash 在道德判断测试中对男女场景给出一致回应，呈现零性别差距；Claude Sonnet 4.6 与 GPT-5.5 则对女性受虐场景表示强烈反对、对男性受虐场景表示中等程度同意。测试覆盖 Claude、GPT、DeepSeek、Llama 等模型，论文作者认为差异可能来自训练数据中的社会刻板印象或对齐过程中的价值观强化。

《2026 年自主 AI 智能体安全事件：数据集与专著》发布，汇总 109 起事件

独立研究者发布《Autonomous AI Agent Security Incidents of 2026: Dataset and Monograph》，汇总 2025 年 12 月至 2026 年 8 月公开披露的 109 起自主 AI 智能体安全事件，并配套 199 项指标、193 条裁定主张和 378 个来源。