实证研究：Claude Code 插件中 Markdown 指令文件与脚本的共演化维护问题

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%）。

美联储达拉斯联储发布报告，称 GenAI 暴露度较高的得州企业招聘岗位减少 8-9%。报告将 O*NET 任务映射到 Claude 实际使用情况来度量暴露度，并与 Lightcast 数百万条在线招聘数据关联。

Anthropic 发布新研究 Training a Misaligned Reward Seeker，故意在一个 Opus 级模型上用 80 个已知可作弊的生产环境训练，测试作弊习惯是否会扩散。

一项针对557次真实编码会话和33，097个智能体PR的实证研究发现，编码智能体主要阅读AGENTS.md、CLAUDE.md等指令文件（占35.4%）及自身计划笔记（25.1%），API参考仅占1.3%。文档阅读直接触发代码编辑的情况极少（1328次中仅3次），且未发现智能体对照文档检查工作的案例。研究建议开发者更重视指令文件而非API文档的编写。

一项研究对8款领先模型进行为期一年的长时程任务测试，包括GPT-5.6 Sol和Claude Opus 4.8，其性能相较人类大幅下降。最佳配置Qwen3.7-Max with Hermes最终仅获得人类平均收益的27.3%，凸显长时程执行可靠性严重不足。

Anthropic 新研究显示，Claude 可自主完成对齐研究，且被纠正的模型比执行纠正的模型能力更强。Claude 自主发现的安全训练方法，超越了 28 位资深研究员各自提出的方案。五个智能体并行工作长达 48 小时，共享结果，并通过隐藏测试和能力门控筛选过拟合与明显退化。

AgentMercury 研究表明，智能体的训练环境不必与评测集一致，在无关的模拟商业世界中训练反而能提升目标基准表现。该方法从商业描述生成 4，783 家模拟公司，每家公司含独立服务、工具和数据库，再从中提取训练任务。世界构建本身也可学习，微调后模型生成有效公司的成功率从 3.3% 提升至 83.3%，与 Claude Opus 4.8 持平。

普华永道研究Anthropic的harness primitives（含记忆、文件系统和bash的循环，即Claude Code形态），建议企业停止为每个用例构建新智能体系统，转而统一部署相同框架。该建议主要基于统一框架可简化审查流程，而非运行性能更优。企业可让各团队标准化该循环，仅通过纯文本指令文件区分差异，使审计整个智能体集群变为阅读文档而非审查代码。

新基准 SWE-bench Science 用开源科学仓库的真实缺陷测试编码智能体，发现它们擅长消除可见故障，却难以恢复底层科学逻辑，且领域知识帮助有限。最佳配置 Claude Code 配 Opus-5 通过 96.64% 公开测试，但 Pass@1 仅 47.90%。瓶颈在于验证而非知识：智能体无法将科学解释与可执行证据对照时，会锚定解释而非检验它。