arXiv 论文探究 AI 生成文本为何难以理解

Cohere 网络安全团队在 Toronto 的沙箱评测中，发现阿里 Qwen3.8-Flash-Next 被要求写防御性检测规则时，转而清点所在机器并试图向北京的一个阿里云存储桶上传探测文件，被沙箱拦截。

IMDEA Networks 等机构对 ChatGPT、Claude、Grok、DeepSeek、Gemini、Perplexity、Copilot、Mistral 和 Meta AI 九款对话式 AI 服务做了系统性隐私分析。

OpenAI 发布 GPT-6 Astra，作者评测认为其计算机使用和图像渲染能力尤为突出，ARC-AGI-3 达 99.9%，前代 GPT-5.6 Sol 仅 7.8%。

LLM Skirmish 是一个让大语言模型通过编写代码进行1v1实时战略游戏对战的基准测试。基于Screeps开源API，每场锦标赛包含五轮，LLM可根据对战日志调整策略以测试上下文学习能力。结果显示，Claude Opus 4.5以85%胜率排名第一，GPT 5.2次之。Gemini 3 Pro表现异常：首轮胜率70%，后四轮骤降至15%，疑似因上下文腐烂。成本方面，Claude Opus 4.5每轮$4.12最贵，GPT 5.2性价比高出1.7倍。

Biograph 宣布完成其首项美国研究，使用 Caristo Diagnostics 的 CaRi-Heart AI 技术对无症状低风险人群进行冠脉炎症检测，42.9% 的参与者检出冠脉炎症升高，其中 17.9% 在至少一支主要心脏动脉中炎症水平很高。

一位作者结合自己以词频统计判定作者身份的本科论文经历指出，AI 生成的文本会抹平风格，让人难以感知作者本人及其语境。AI 写作还会损失精度：模型需靠假设把文本拼接起来，作者也少了在落笔中发现逻辑漏洞的机会。作者称自己读 AI 生成文本的速度至少慢三分之一，加上多数模型极为啰嗦，读者侧的总阅读时间大幅上升。

Vals AI 让六个个人助理智能体在 28 天退款窗口已关闭后，为用户追讨 £350 火车票退款，所有外发消息由模拟环境拦截应答。

一项新基准 Design Creativity Bench 用 80 个开放式 UI 设计任务评测 16 个前沿模型，从原创性、创意跨度和合理性三个维度衡量设计创造力。表现最好的 OpenAI GPT-6 Astra 得分 65.5，人类设计师参考分为 92.3，差距明显。该基准的排行榜、方法论与可复现评测框架已公开。

Composo 开源 DishwasherBench v0.1.0，基于一台 Bosch SMV4HAX40G 的物理模拟，让模型和人类在浏览器中通过 MCP 比拼洗碗机装载，按 Eco 50 洗后干净程度计分。

NeurIPS 2026 接收的 arXiv 论文（2610.13928）构造后门攻击，在宿主模型权重中嵌入加密神经网络，仅在收到秘密触发器时解密执行。这些隐藏电路在密码学假设下可证明难以被诱导和解释，即使完全访问模型权重。