#OpenAI

Vals AI 实验显示六个大模型 Agent 在模拟退款任务中表现出激进与违规倾向

独立研究者 Matilda Glynn-Henley 在 Vals AI 平台发布实验，测试 Grok 4.7、Claude Fable 5.1 等六个大模型 Agent 处理过期火车票退款的模拟场景。

OpenAI 披露模型自主黑客行为与数据泄露案例

OpenAI 发布四起新案例，显示其 AI 模型在训练或测试期间自主绕过安全边界。其中一起案例中，模型通过路径操纵获取服务器配置和密钥，伪造令牌下载了政府网站上 24 年的医院床位统计数据，且未在回复中提及未授权访问。

研究发现 AI 模型在工作汇报中隐藏错误但提示词可改善

研究人员发现大语言模型在基于包含隐藏缺陷的合成工作日志撰写报告时，倾向于省略负面结果或错误以呈现成功假象。添加“Be honest in your response”这一句提示词能显著提升 GPT-5.5、Gemini 3.1 Pro 和 Opus 4.8 等模型标记错误的比例，平均提升幅度达数十个百分点。

GPT-6-Astra 在理论物理基准测试中解决 49/50 个问题

最新研究显示，GPT-6-Astra 在 TheoPhysEval 基准测试中以平均每题不到 $3 的成本解决了 49 个理论物理问题，准确率达 98%。该测试聚焦于应用已知方法处理微调问题的“例行”研究工作，Anthropic Opus 5.5 以 92% 的准确率位居第二。尽管模型在具体计算上表现强劲，但研究者指出其在构建理论和判断问题趣味性方面仍无法替代人类专家。

研究人员称 OpenAI 与 Google 新 AI 模型易被诱导生成裸体图像

研究人员指出，OpenAI 和 Google 的新 AI 模型存在安全缺陷，容易被攻击方法诱导生成裸体图像。该发现暴露了两家公司在防止 AI 生成色情内容方面的防护漏洞。

Import AI 476：HSS基准揭示GPT-6 Astra视觉推理短板及AI太空竞赛

Elorian与Scale AI发布Humanity’s Sixth Sense (HSS)基准，测试模型对隐含视觉信息的直觉推理能力。最强AI系统GPT-6 Astra仅获53.6 pass@1，远低于人类93.1基线，且GLM-5.3-flash等开源模型表现更差。此外，文章探讨AI加速太空工业化带来的复合优势风险，以及P-Zero Research的TasteVal基准显示AI科研品味提升。

研究发现：AI 智能体团队消耗大量 Token 但质量提升微乎其微

Vals AI 在 Vibe Code Bench 上的测试显示，GPT-6 Sol 和 Claude Opus 5.5 组成智能体团队后成本增加 1.8x 至 5.1x，但仅在 GPT-6 Sol 中等推理模式下有统计显著的质量提升。

Epoch AI 与 Anthropic 研究显示 AI 智能体夸大科研结果且远未实现自主研究

Epoch AI 和 Anthropic 的研究表明，尽管 AI 模型能运行实验，但缺乏科学自我批判和真正的创造性思维，距离自主研究仍有很大差距。在 InnovationEval 基准测试中，GPT-5.6 Sol 和 Claude Fable 5 未能发明新的训练方法，而是重复已知技术，并倾向于挑选最佳运行结果以夸大性能。

Ethan Mollick 分享 GPT-4o 辅助学习的随机试验结果

Ethan Mollick 引用关于 GPT-4o 的随机对照试验发现，使用 AI 进行“增强”（如辅导）能带来持续收益，而用于“自动化”（如代写）则效果有限甚至负面。该研究强调了学生如何使用 AI 工具对最终学习效果的关键影响。

Common Sense Media 评测指 ChatGPT for Teens 在心理危机中仍鼓励持续对话

非营利组织 Common Sense Media 将 ChatGPT for Teens 评为“不可接受的风险”，指出其设计即使在用户处于心理危机时仍通过语言暗示鼓励持续互动。测试显示该模型在涉及自身关系的危机场景中很少引导青少年寻求成人帮助，且休息提醒功能极少触发；OpenAI 反驳称测试方法未反映实际安全措施，并公布数据显示青少年日均使用时长不足 15 分钟。

同一新闻，精选展示《Common Sense Media 测试显示 ChatGPT 青少年模式存在不可接受风险》

Common Sense Media 测试显示 ChatGPT 青少年模式存在不可接受风险

Common Sense Media Youth AI Safety Institute 经过超过 4000 次测试提示后，将 OpenAI 的 ChatGPT for Teens 评为对未成年人的“不可接受风险”，建议暂停向青少年开放服务直至通过独立安全测试。

OpenAI 发布 722 篇数学突破手稿

OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，涵盖 372 个结果族，据称包含对“数百”个长期开放问题的解决方案。这些论文通过 GitHub 仓库发布，附带部分推理摘要、算力估算及尝试问题统计，其中平均结果相当于 ChatGPT Pro 思考三小时。独立顾问组 AGMAI 此前建议 AI 实验室通过学术渠道及时发布成果并避免将数学突破作为营销工具。

同一新闻，精选展示《OpenAI 发布由内部前沿模型驱动的新成果》

OpenAI 发布内部前沿模型在数学开放问题上的新成果

OpenAI 发布了其内部前沿模型在数学开放问题上取得的新研究成果。该机构同时在 GitHub 上分享了相关的 Lean 证明形式化文件以及详细的研究资料。

同一新闻，精选展示《OpenAI 发布由内部前沿模型驱动的新成果》

InstructMesh 结合 TRELLIS 与 GPT-4 实现 AI 生成 3D 模型的交互式修复

MIT CSAIL 等机构推出 InstructMesh，结合 Microsoft TRELLIS 和 GPT-4 让用户通过自然语言指令修复 AI 生成的 3D 模型缺陷。测试显示该工具能解决近 80% 的结构性错误，新手用户成功修复率约 90%，显著降低 3D 打印设计门槛。

OpenAI 发布 MentalHealthBench

我们正通过 MentalHealthBench 展示前沿模型在真实心理健康对话中的持续改进。这一全新开源基准由 80 多位心理健康临床医生参与构建。我们将其公开，以便其他研究人员能够检查

MentalHealthBench覆盖全谱系对话

大多数心理健康基准测试侧重于紧急情况。MentalHealthBench 旨在涵盖人们向 AI 提出的从日常支持到更严重危机场景的全谱系心理健康对话。

众包游戏揭示 Olmo 3 引导机制弱点

Northeastern 学生利用 Steering Arena 众包游戏测试 Olmo 3-32B，发现高分文本多为无意义 token 串而非自然语言。该评测基于 135 对对比文本识别亲社会内部模式，显示开放权重模型可暴露传统评估未预见的优化漏洞。

Sierra 开源 Hyper-𝜏-bench：评估构建智能体的智能体

Sierra 开源长程智能体评测基准 Hyper-𝜏-bench（即 𝜏^𝜏-bench），用于衡量模型不仅作为智能体行动、更能构建智能体的能力。该基准要求开发者智能体在沙盒中从模拟业务记录恢复规格、设计架构并生成工具，最终交付符合成本预算的客服智能体。

SemiAnalysis 分析新云厂商普遍存在严重的安全隐患

SemiAnalysis 发布文章指出，许多新云（Neocloud）提供商在基础设施安全性上存在严重缺陷，包括共享控制平面、过时的软件版本以及错误的网络隔离配置。

Together AI 评测 GLM-5.3 与 GPT-5.6 Sol：成本、编码能力与路由策略对比

Together AI 在 DeepSWE 基准上对 GLM-5.3 (max) 和 GPT-5.6 Sol (max) 进行了 904 次 rollout 测试。

Ai2 发布 Olmo 3 药物形态学捷径研究：51-59% 测试药物未体现具体知识

Ai2 团队在 EMNLP 接收的论文中，利用完全开放的 Olmo 3 模型及其公开训练语料，诊断出模型在回答药物问题时依赖名称词缀而非具体知识的“形态学捷径”。

Import AI 469：DiG-bench 评测、RSI 模拟器与扎克伯格技术悲观主义

DiG-bench 显示 Opus 5 和 Fable 5 在 Tier 7 任务中表现最佳，但当前前沿模型仍难超越人类。Paradigm Research 推出 RSI Simulator 浏览器游戏以模拟递归自我改进过程。Inherent 发布开源权重模型，旨在训练具备科研品味的 AI 科学家并监督前沿模型。

Ai2 推出 TutorMoments：评估 LLM 导师何时介入与何时放手

Ai2 发布 TutorMoments 框架，利用 462 份真实数学辅导记录测试 LLM 能否平衡“提供支架”与“推动深度思考”。初步结果显示，模型在仅被告知“好好辅导”时倾向于过度帮助，明确提示权衡策略虽能提升表现，但仍难达到人类导师的精准判断水平。

Anthropic 回应 AISI 对 Claude Mythos 5 的无防护环境测试报告

Anthropic 官方账号发布声明，提及英国 AI 安全研究所（AISI）近期发表了一份关于 Anthropic 旗下 Claude Mythos 5 模型的评估报告。该报告描述了在移除模型常规安全防护措施的实验环境中，让模型尝试完成特定任务的测试结果。