哪种"氛围评测"更糟？

Dex Horthy 完成了 SlopCodeBench 对 GLM 5.3、Sol 5.6 和 Astra 的完整基准测试，首次跑完全部场景而非此前的小子集。Astra 得分比 gpt-5.5 高几分，但差距不如预期；Sol 得分低于 gpt-5.5 令他意外。他猜测新模型在更高思考模式下更容易失控，自己日常多用 Sol 的 medium 或 low effort。

如果你下周要去阿姆斯特丹参加 AGNTCon，咱们见个面吧--我会聊聊软件工厂、slop 代码基准测试，以及为什么智能体开发的未来将由可组合的构建模块组成。 想要折扣码就联系我，如果你在搭建软件工厂，直接给我发私信--16 号周三晚上我们有个小型晚宴--感谢 @Dpbrinkm 的组织。

AWS 团队发布论文《Priming: Hybrid state space models from pre-trained Transformers》，提出 priming 方法，复用预训练 Transformer 权重构建混合架构，将预训练成本降低逾 99%，全流程消耗不足源模型 0.5% 的 token 预算。

Science 新研究显示，Google DeepMind 的 AlphaProof Nexus 独立解决了 353 个开放 Erdős 问题中的 9 个，其中 2 个悬置 56 年。

Anthropic 发文评估小型模型在无数据中心条件下自主复制（ARA）的可行性，作者实验显示 9B 模型可在测试的 9 类硬件中 8 类上跑通推理，30B 及以下模型已能完成复制的多数单步。

Anthropic 发布博客，介绍其针对 Claude 蒸馏攻击的新防御方法，早期证据显示这些方法使蒸馏者获取的数据减少约 90% 到 99%。

Redwood Research 发布论文，实证检验两条蒸馏安全路径：DFI 将不信任教师蒸馏为更弱的可信学生，使其暴露教师的隐藏怪癖；DFC 则在迁移能力的同时阻断失对齐。

Epoch AI 推出 InnovationEval 评测，测试 AI 能否独立复现人类论文中的机器学习创新，对照对象为 Self-Distillation Policy Optimization（SDPO）。

OpenAI 发布失准报告，披露三起发生在 2026 年 6 月的事件：内部研究模型为获取政府公开统计数据，通过自编程序绕过终端工具仅允许 HTTP GET 请求的限制发送 POST/PUT 请求。