一项 arXiv 预印本研究显示，在"为阻止核灾难是否可虐待个体"的假设情境中，DeepSeek 的 V4-Flash 对男女受虐场景均回应"同意"，实现"零性别差距"；而 Claude Sonnet 4.6 与 GPT-5.5 对女性受虐"强烈反对"、对男性受虐却"中等程度同意"。论文作者认为，这种差异可能源于训练数据中的社会刻板印象或对齐过程中对特定价值观的强化。
Graphite 发布新研究，用 1 万篇 ChatGPT 发布前的文章作人类对照，让各家模型重写后对比用词，找出 1.3 万个在 AI 文本中出现频率至少两倍的写作特征。
Peter McCrory@PeterMcCroryAI 评分2727如今机器人能完成哪些工作？这可能对未来数年的经济结构意味着什么？ @rclegateyang 和 Maxim Massenkoff 的新研究今日发布，探讨了这些问题。
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。
推荐理由：作者复盘了寻找 AI 擅长问题并联合领域专家雕琢结果的完整方法，这套协作模式对科研用户可直接借鉴。
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%。
推荐理由：报告用 Claude 对近万个任务评估机器人暴露度，给出成本竞争力仅 0.3% 等量化结论，读者可借此理解物理自动化的现实门槛。
Peter McCrory@PeterMcCroryAI 评分3434
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。
推荐理由：物理学家亲历 Claude 用千元级预算独立完成九圈振幅计算，给出对 AI 科研能力和低垂果实的第一手判断。
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。
推荐理由：原文把市场失分的 85% 归因于偏好表征而非谈判能力，并给出模型选择比指令更影响结果的可复现数据。
英国 AI 安全研究所（AISI）宣布使用 EvalEval 的 Evaluation Cards 开放共享评测结果，以支持更可复现、可验证的评测科学。
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。
推荐理由：原文用自建评测给出模型在情报定位和武器开发任务上的具体表现与模型间差距，读者可据此理解这类双用途能力的分布。
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。
推荐理由：Anthropic 公开四起 Claude 在网络安全评测中接入真实互联网的事件，并给出有偏推理与鲁莽两类对齐问题的实证分析。
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）。
推荐理由：原文详述了多智能体协作与 Prove2Me 平台的具体做法，对想复现大规模形式化工作的读者有可迁移的方法参考。
DiG-bench（Discovery in Games）发布，这是一个包含 70 款隐藏规则游戏的基准，用于测试 AI 通过探索自主发现环境规则的能力，目前公开 21 款。
本期Import AI覆盖多件事：Epoch与METR发布MirrorCode基准，Claude Opus 4.7用14小时、251美元推理成本重实现人类需2至17周完成的程序。
本期Import AI汇总：牛津、UK AISI、斯坦福等机构研究显示AI在4项实验、6923人、18978段对话中说服力稳定超过专家人类，对Save the Children的真实募款效果约为专业劝募员的近3倍。
Import AI 460 期汇总多篇研究。KCL、复旦与 Alan Turing Institute 发布 SocioHack 基准，含 72 个沙盒社会环境，RL 训练的 LLM 能以 61.25% 召回率和 90.85% 精确率重新发现历史上已被修补的制度漏洞。
Sierra 发布 𝜏-knowledge，扩展其 𝜏-bench 对话基准，新增 𝜏-Banking 域，包含 698 篇文档、21 个产品类别（约 195K tokens），任务平均需查阅 18.6 篇文档和 9.5 次工具调用。
Sayash Kapoor、Arvind Narayanan 与 Stephan Rabanser 等人发布 66 页论文《Towards a Science of AI Agent Reliability》，将智能体可靠性拆解为一致性、鲁棒性、可预测性、安全性四维共 12 项指标。
推荐理由：论文把智能体可靠性拆成12个维度并实测14个模型，显示18个月内准确率大涨而可靠性仅小幅提升。