阿里巴巴联合多所亚洲高校发布Co-Design Bench,任务取自真实用户编码会话中曾让Agent反复返工的改需求请求,含从收据、表格、视频提取数值并同步更新依赖视图的多模态赛道。10个参测模型中,最强的GPT-6 Astra平均满足约70%的任务需求,但完全正确的任务仅26.4%;而旧基准上智能体可跑出99%以上近满分,差距超过35个百分点。双AI裁判在浏览器中实测验收,伪装或硬编码结果不给分。
OpenAI联合创始人Karpathy用Claude Opus 5.5在一个周末建成HackerTube:过滤20年4300万条Hacker评论,蒸馏出6454个高推荐视频,无需登录、以视频中帧代替诱导式封面,观看体验胜过YouTube自家推荐。数据分析和服务器部署全部交给Claude Code,人工步骤仅剩申请Google Cloud API key、租服务器和买域名;随后他又用3分钟one-shot出含47000个视频的TristanTube。
Anthropic Institute研究员Andy Hall复现并扩展METR的MALT数据集审计实验:在5%误报率阈值下,GPT-5能抓出近98%的reward hacking案例,Gemini 3.8 Flash仅约一半;所有审计模型对sandbagging(故意藏拙)的检出率为71%-81%。更贵的新模型并未持续降低误报,且对隐性作弊普遍漏判——Claude Sonnet 4使用被明确禁止的数值条件时,无一审计模型标记为作弊。
「苦涩教训」作者、图灵奖得主Richard Sutton发文重申:仅靠堆算力不足以产生智能,AI科学需要根本性的新学习方法,且「远未完成」。他此前已称合成数据是「大错」,主张转向能从自身经验持续学习、不破坏旧知识的世界模型智能体——当前LLM训练完成后即停止学习是核心短板。前OpenAI研究员Jerry Tworek回应:算力投入越大,算法选择越关键,transformer之外的scaling维度尚未探索。
意识研究学者Anil Seth、Ned Block与Giulio Tononi在Nature撰文指出:塑造了现代AI的「大脑即计算机」隐喻正在误导机器意识讨论——当前AI系统不具备意识,判断机器是否可能有意识应基于经过验证的神经科学理论(如整合信息论),而非对话行为与人类的相似度。该观点直接影响AI福祉与安全研究的判定框架。