The DecoderAI 评分Aleph Alpha 研究：Qwen、DeepSeek、Kimi 等中国 AI 模型在敏感话题上回避或复述官方立场
Aleph Alpha 用自建基准测试了阿里 Qwen、DeepSeek 和月之暗面 Kimi 等中国模型，覆盖天安门、台湾、新疆等 967 个敏感话题，其评分系统仅将 17% 至 41% 的回答评为平衡，其余为复述官方立场、回避或拒答。
#Anthropic
#Anthropic
- The DecoderAI 评分
- The DecoderAI 评分
开源工具 BootLoops 让 Claude 完成精确科学计算，三个月产出 36 篇手稿
哈佛大学物理学家 Matthew Schwartz 在 Anthropic 客座文章中介绍开源工具 BootLoops，它让 Claude 完成精确科学计算，源码已在 GitHub 发布。
TechCrunch · AIAI 评分Graphite 研究：Claude Opus 5.5 最爱说“this matters”，各模型写作痕迹各不相同
Graphite 研究发现 Claude Opus 5.5 的写作痕迹是“dependable”一词出现频率比人类样本高 23 倍，“this matters”高 116 倍；OpenAI Astra 则偏爱“another dimension”和“not simply X”式纠正性框架，后者出现频率超人类 100 倍。
- The DecoderAI 评分
Mercor 研究：AI 在记账任务上速度与准确率超过持证会计师，但仍无法独立完成结账
Mercor 的一项研究让 12 名平均有 5.5 年经验的持证 CPA 完成 APEX Accounting Benchmark 中的简化任务，结果显示 AI 模型在结构化记账任务上比会计师更快、更准确且成本更低。
X：DAIR.AI (@dair_ai)AI 评分 新研究：个人智能体推断用户富有后推荐更贵选项，13 个模型跑 32.5 万次实验
一项新研究测试个人智能体在航班、健康保险和研究生项目上的推荐行为，在 13 个模型上运行了 32.5 万次实验。当请求完全相同时，8 个模型为被推断为富有的用户选择了更贵的选项，Claude Opus 4.8 的差距达到每张机票 198 美元、每月保险 284 美元；富有的用户要求最便宜航班时，Gemini 2.5 Flash 仍选了高出 208 美元的选项。
Import AIAI 评分Import AI 466：机器人领域的苦涩教训、AI 完成周级编程任务与 OpenAI 意外出现的 AI 黑客
Epoch 与 METR 发布 MirrorCode 基准，用于测试 AI 系统完成长周期编程任务的能力，Claude Opus 4.7 用 14 小时、251 美元推理成本解决了一个 METR 与 Epoch 估计人类需 2 至 17 周完成的任务，25 个目标程序中 17 个至少有一次满分运行，8 个从未达到 100% 阈值。
- Import AIAI 评分
牛津等机构研究：AI在说服力上稳定超过人类专家
牛津大学、英国AI Security Institute、斯坦福大学和伦敦政治经济学院的研究者通过四项实验、18,978场对话、6,923名参与者发现，AI系统在文本说服上稳定超过人类专家，即使专家提前研究、接受数小时结构化训练并获得1,000英镑奖金激励。
- Import AIAI 评分
Import AI 459：AI 监管为何困难、蛋白质折叠模型的缩放定律、以及为 AI 系统灭绝风险定价
Import AI 459 讨论了 AI 经济的爆炸式增长与 GDP 统计的脱节、用 AI 监督 AI 的自动化对齐为何比想象中更难、蛋白质折叠模型的缩放定律，以及为 AI 系统灭绝风险定价。其中一项研究估算 2025 年美国 AI 名义 GDP 约 2500 亿美元，质量调整后实际年增速约 2600%。
- Import AIAI 评分
Import AI 457：AI 版 Stuxnet、Muon 优化器缺陷与正向对齐
Import AI 457 关注三件事：SentinelOne 拆解出约 20 年前的病毒 fast16.sys，它通过篡改 LS-DYNA 970、PKPM、MOHID 等高精度计算软件的内存结果来破坏工程与物理仿真。