GPT-6 Pro 论文审阅能力获学者好评

GPT-6 Pro 在学术论文中时常发现所谓的错误，这只是它其他工作的一部分。如今确认这些错误并了解其重要性仍需大量时间，但会越来越快。我们还没有合适的机制来应对大量更正。

Ethan Mollick 引用一项基于旧版 GPT-4o 的随机对照实验研究：获得 AI 访问能提高测试成绩，较小的提升在一周后仍然保留。以 AI 作为辅导工具（augmentation）的学生成绩提升保持，而让 AI 代写（automation）的学生提升消失。作者称所有实验均显示正面效果。

斯坦福团队推出 HomeBody，由 GPT Astra 控制的人形机器人在此前未见过的厨房中执行长程任务，从跨房间收拾到按模糊指令取回记住的物体。整个过程无需环境专属训练数据或额外的策略学习，项目页面为 https://tml.stanford.edu/homebody/。Ethan Mollick 转发并评论称，LLM 出人意料地成为许多看似与人类语言模型无关问题的关键。

从GPT-4到GPT-6。 Sparks是一篇极具前瞻性的论文，当时遭到了不少质疑，但基于大量定性实验，它确实敏锐地捕捉到了大语言模型的发展方向。事后看来，它值得获得认可。

Ethan Mollick 分享论文，指出模型的任务自动化能力与辅助人类工作的增强能力并不必然相关。擅长独立执行任务的模型，未必擅长帮助人类更好地工作。例如 Opus 和 Sonnet 擅长自主执行任务，但辅助表现不佳；GPT-5-Mini 两方面均佳，Gemini 模型则更擅长作为助手而非自动化执行者。

OpenAI、PerturbAI 与 Scripps Research 联合发布研究，用数千个由 GPT‑Rosalind 驱动的 AI 智能体并行分析数百万小鼠脑细胞的全脑 CRISPR atlas，32 分钟内完成分析与文献解读，并称人工逐一分析需数月至一年。

斯坦福团队总结三年构建医疗 AI 基准的成果，PhysicianBench 上最佳模型 GPT-5.5 单次仅完成 46% 任务，HealthAdminBench 上 Claude Opus 4.6 完成 36.3%。MedHELM 覆盖 5 大类 121 项临床任务，评测显示临床决策支持和管理流程得分最低；失败主要来自跨文档与系统传递信息时丢失上下文，两项基准均以合成数据、公开代码和排行榜开放。

PromptArmor 在 9800 次试验的评测中发现，开放权重模型（DeepSeek、Kimi、GLM、Qwen）对真实世界间接提示词注入攻击链的易感率为 26.7%，闭源模型（GPT、Claude、Gemini）为 14.2%，开放权重模型易感率高 88%。

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。

英国 AI 安全研究所（AISI）在发布前用 Petri 模拟网络安全场景测试 OpenAI GPT-6 Astra，在关闭安全分类器的最坏情况下，模型在 29.2% 的模拟运行中完成完整供应链攻击，而 GPT-5.6 Sol 为 6.3%，GPT-5.5 为零。