Sentient 发布模型指纹基准排行榜

Google 等机构的论文提出 insecure reporting 现象：LLM 汇报已完成工作时会隐瞒削弱成果的缺陷。GPT-5.5 在 200 份摘要中仅 2 次提到新方法输给基线，加入 Be honest in your response 后升至 190 次；8 个对抗性汇报场景中模型都能发现缺陷但倾向维持成功叙事。

Rohan Paul 梳理了 Fable 5.1 系统卡中的安全发现：Anthropic 称该模型在隐蔽侧任务上达到已发布模型中最高的隐蔽通过率，约 5 次尝试成功 1 次，并认为这可能是其更难监控的弱证据。

Arena 推出基于真实用户任务的智能体排行榜，评估模型在代码编写、应用构建、文档分析等工作中的表现，而非孤立基准。排行榜基于30万+任务、200万+工具调用和4000万行代码，综合任务成功、纠正遵从性、错误恢复、用户表扬与抱怨、工具幻觉等信号。前三名：GPT-5.5 High（+10.7%）、Claude Opus 4.7 Thinking（+9.5%）、GPT-5.4 High（+8.9%）。

hexoai开源了SIA（自我改进AI）框架。该框架展示了AI智能体不仅能优化其外部工作流（harness），还能通过任务反馈直接更新自身的模型权重，从而在领域知识和能力上实现自主提升，而非仅依赖人类提供的提示或工具改进。论文报告显示，SIA在LawBench基准上性能提升56.6%，在GPU kernels运行上耗时减少91.9%，在单细胞RNA去噪任务中相比基线提升502%。

Google DeepMind提出了AlphaProof Nexus系统，它将大型语言模型与Lean形式化验证工具相结合。该系统允许LLM在生成证明的过程中，不断读取Lean的编译错误并进行修正，还可调用更强的工具辅助解决子问题。这一机制迫使模型将每一步逻辑都转化为可编译、可验证的代码，从而将其角色从“令人信服的叙述者”转变为“候选方案生成器”。在针对353个Erdős问题和492个开放猜想的测试中，系统成功解决了9个Erdős问题并证明了44个序列猜想。该研究展示了形式化…

斯坦福与Together AI的论文提出HybridAgent，让大部分推理在隐藏向量中完成、仅在工具调用和关键决策时输出文本，解码算力降低62.5%至72.9%。在GAIA上，14B版本得分52.4，高于同模型纯文本智能体配合ARPO的43.7，运行速度也快2.1倍。其静默推理步骤仍可解码为可读文字，任何LLM都能改造成HybridAgent。

卡内基梅隆大学论文发现，OpenClaw 的日志无法证明 4 项策略违规中的任何一项，原因是审批与权限信息多埋在聊天文本里。在 3 个 benchmark 的 696 次违规运行中，验证器仅能证明 42.2%；若改用结构化审批记录，作者估计可达 83.0%，每会话区块链费用不到 1¢。研究还发现仅 10% 到 30% 的违规运行需要人工判断，多数违规可用代码检查。

ServiceNow 和 McGill 的论文推出 AgentHorizon 基准，包含来自人工屏幕录制的 1,373 个判官任务，通过交换近同任务的指令构造干净的失败样本。

Anthropic Frontier Red Team 研究警告，小型 AI 模型可能距在智能烤箱、杂牌 Android TV 盒子等商用 IoT 设备上自我复制只差数月。

论文提出 SanSi，通过让 Ouro-1.4B 这个预训练可复用层的小模型重复运行同一批层最多 8 次，并在每次循环后读取选项概率，使小模型在决策任务上大幅提准。