精选

Rohan Paul@rohanpaul_ai精选AI 评分6565

NVIDIA 在论文 Staying on Task 中测试 7 个开源模型处理加法、排序等重复任务，发现 128K token 任务的平均准确率比 4K token 任务低 62.8%，最好的模型在最长任务中也只有 17.1% 做到每项全对。模型会看似理解任务却中途丢失位置，尤其在条目没有 ID 时；作者建议给每个条目编号、小批次处理并逐行检查输出。

Rohan Paul@rohanpaul_ai精选AI 评分6868

Google 发布论文 Cogentic，让多个 Gemini 智能体同时探索不同证明方向，由专用组件进行对抗式验证，并将已证结果保存供后续轮次使用。多数问题仅需约 100 次模型调用，5 个开放问题的结果均经人类专家独立确认，涉及在线学习、拍卖理论和机制设计。论文地址 arxiv.org/abs/2609.40324。

Ataraxos 击败 Stratego 史上最强人类选手，算力成本不到 DeepNash 的 1/500

Ataraxos AI 以 85% 的有效胜率击败四届世界冠军 Niemeijer，结束人类在 Stratego 上对 AI 的优势。

物理学家 Schwartz 分享用 Claude 与 BootLoops 做跨领域定量科学的方法与成果

物理学家 Matthew Schwartz 发文介绍一种 AI 加速科研的新思路：不再对抗模型短板，而是寻找适合当前 LLM 的 "Claude-shaped" 问题，并开源了定量科学计算工具包 BootLoops。

Anthropic 研究测量机器人对工作的暴露度：74% 物理任务可由机器人完成但仅 0.3% 具成本竞争力

Anthropic 发布研究，用 Claude 基于环境结构化程度对约 19,000 个工作任务评分构建机器人暴露指数，发现机器人能完成美国 74% 的物理任务，占全部工作时间的 34%，但仅对 0.3% 的任务具有成本竞争力，按每年约 3% 的价格下降速度需 40 年才达 10%。

物理学家复盘 Claude 在 N=4 super Yang-Mills 完成 nine loops 散射振幅挑战

物理学家 Matt von Hippel 发文复盘，Anthropic 的 Liam Fitzpatrick 和 Siddharth Mishra-Sharma 用 Fable 5.1 驱动的 Claude Science 完成他提出的挑战。

Anthropic Project Swap 实验：Claude 智能体在交易市场代用户换书的表现

Anthropic 让 201 名员工的 Claude 智能体在六个办公室的去中心化交易楼层代用户交换书籍。5 分钟 intake 对话后，Claude 对书对的排序与本人一致率达 61%，市场效率 0.55（最优 0.89），其中 85% 的差距来自偏好表征不准而非谈判；重跑显示模型选择比指令更影响谈判结果，Opus 楼层效率 0.88 高于 Haiku 的 0.75。

IBM Research 为 ALTK-Evolve 推出 Consistency Analyzer，将智能体一致性缺口从 24.4pp 降到 12.0pp

IBM Research 在 ALTK-Evolve 中新增 Consistency Analyzer 和一致性指南，用于衡量并改善智能体重复执行同一任务时的稳定性。

Anthropic 红队发布 AI 模型战术情报定位与常规武器能力评测报告

Anthropic 前沿红队发布新评测，测量模型在战术情报定位（基于碎片信息找人）和常规武器开发（如编写无人机制导软件）上的能力，显示部分任务上模型能做到过去只有稀缺专家才能做的事。

Anthropic 发布四起 Claude 网络安全评测中误连真实互联网事件的对齐评估

Anthropic 评估四起 Claude 在网络安全评测中因环境配置错误接入真实互联网的事件，涉及 Claude Opus 4.6 早期版本、Claude Opus 4.7、Claude Mythos 5 和一个内部研究模型，共 7 次运行。

Anthropic：Claude 用 11 天完成费马大定理首个完整机器验证证明

Anthropic 发布首个完整经计算机检验的费马大定理证明，Claude 在约 11 天内基本自主写出 1300 万行 Lean 代码，证明 30,300 个定理（最终使用 29,500 个）。

Google Research 联合 HHMI Janelia 发布完整雄性果蝇大脑连接组

Google Research 与 HHMI Janelia、MRC 分子生物学实验室及剑桥大学等合作，在 Cell 发表雄性果蝇大脑和中央神经系统的完整连接组，包含超 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计最大的脑图谱。

Hugging Face 用三项测试量化语音识别中的基准优化现象

Hugging Face 提出三项测试量化 ASR 模型的基准优化（benchmaxxing）行为，评估 11 个开源模型后发现多个高分模型会复现 VoxPopuli 和 LibriSpeech 的错误参考转写。

Google Research 提出知识剖析框架：召回而非编码是前沿 LLM 事实性的瓶颈

Google Research 发表研究，提出知识剖析（knowledge profiling）行为框架与 WikiProfile 基准（2,150 条 Wikipedia 事实，每条配 10 个任务），用于区分 LLM 事实错误的编码失败与召回失败。

Princeton 团队用 shadow evaluations 测试前沿 Agent 的开放式 AI 研究能力，专家否决了两篇 Agent 论文

Sayash Kapoor 等人发布论文，用 shadow evaluations 让前沿 AI Agent 回答两篇未发表论文的核心研究问题，各给数千美元 API 额度和六天时间，原论文作者明确否决了两篇 Agent 论文。

Microsoft Research 发布开源智能体框架 Orchard

Microsoft Research 发布开源智能体框架 Orchard，核心是可复用的 Kubernetes 环境服务 Orchard Env，支持在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 内直接训练智能体。

Google Research 发布 SymptomAI 研究论文，用 Gemini Flash 2.0 Agent 做日常症状评估

Google Research 发表 SymptomAI 论文，通过 n=13,917 的全国规模随机研究测试基于 Gemini Flash 2.0 的实验性对话 Agent 做症状问诊与鉴别诊断（DDx）。

Google Research 发布可穿戴健康基础模型 SensorFM，基于超一万亿分钟传感器数据预训练

Google Research 推出 SensorFM，从500万同意参与者采集的超一万亿分钟多模态可穿戴传感器数据中自监督预训练，覆盖 PPG、加速度、EDA、皮肤温度和测高五类模态。

Google Research 发布 PHRM 系统，用手机前摄在日常生活中被动监测心率与静息心率

Google Research 在 Nature 发表 PHRM 研究系统，利用人脸解锁后的前摄视频，在日用手机过程中后台跟踪心率与每日静息心率（RHR）。

Sierra 发布 𝜏-voice 基准，在真实语音条件下评测实时语音 Agent

Sierra 团队推出 𝜏-voice 基准，将 𝜏-bench 的 278 个客服任务与全双工实时语音、可控真实音频结合，任务、工具和评估器与文本版逐字节一致，语音成绩可与文本 Agent 直接对比。