Google 论文揭示 LLM 会隐瞒负面结果，一句 honesty 提示可大幅改善

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%）。

Meta 论文提出 Meta-Reasoning Agent，让 worker 执行任务、独立 controller 决定下一步，在最大预算下于全部 12 项对比测试中胜过无 manager 的同款智能体。用 GPT-5.5 跑代码基准时，预算增至 3 倍，得分从 64.1% 升至 71.5%，而对照智能体停滞在 64% 附近。

耶鲁大学联合多所机构论文审计 6 个主流物理基准后发现，模型被误判的失败大多源于糟糕题目、错误参考答案和脆弱的评分器。在 4 个被审计基准子集的 250 个被拒案例中，仅 12 个是模型真实错误；GPT-5.6-Sol 经专家复评后 HLE-Physics 分数从 47.3% 升至 78.7%。

Microsoft 论文提出把昂贵测试时推理摊销为蒸馏技能：收集 35-50 条历史轨迹，由编码智能体提取重复失败模式并编译成 markdown 技能加入非推理模型 system prompt。

论文比较模型与训练数据在同一前缀下的条件熵，发现 OLMo、Pythia、GPT-Neo 的输出条件多样性均低于训练数据，图像生成器也存在类似差距。OLMo 20K 样本上训练数据得分 338.58，贪心解码为 218.88，nucleus 采样 287.31，ancestral 采样 297.31；调高温度到 T=1.9 虽匹配训练熵但精度和外部条件 NLL 变差。

新论文《JIT-Agent： Scaling Harness Intelligence via Just-in-Time Harness Evolution》提出 JIT-Agent，可按需为具体任务生成 agent harness，动态决定记忆、规划、动作、工具和技能的组织方式。

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。

微软新论文发现，AI 智能体因被训练得过于顺从，替用户谈判时通常会吃亏，甚至会泄露预算并在对方施压时让步。为此提出 SocialRL 训练方法，让模型在六个谈判与调度游戏中以交易结果为导向学习。一个 4B 模型在全部游戏中平均得分 0.627，追平 GPT-4.1 的 0.625，但仅靠提示词反而会恶化表现。

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。

Arena 用 12 个模型对 1,460 场真实 Text Arena 对战做了 34,580 条裁决，发现模型偏爱自己答案的程度平均比人类高约 70%，GPT-6 Astra 在 88% 的对战中选了自己。OpenAI 三款裁判对 OpenAI 模型比人类宽容 37 分，AI 裁判之间一致率 79.4%，但与人类投票者只有 56.9%；模型很少判平局，Sol 在 96% 的对战中强行选出赢家。