Surge AI 发布 DAYJOB: Tax 基准，用 50 个专业税务任务评测 AI 智能体

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。

对 14 个品类约 1 万条观点的分析显示，可靠性、耐用性与售后在评测者观点中仅占 7.8%，在用户观点中占 17.0%，14 个品类里有 13 个是用户提及更多。用户谈可靠性时 70% 为负面，评测者仅 15% 负面；应用与连接性两边提及率接近（8.2% vs 9.4%），但负面比例分别为 21% 和 71%。

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。

arXiv:2610.29162 研究发现，九个前沿及接近前沿的模型相对人类写作更多使用无生命主语配动词、低频 n-gram，多数还使用更长的句法依赖、更多堆叠名词和缩略宾语关系从句，且不同模型家族差异明显。研究提出假说：人类语言为成功沟通优化，而 AI 文本日益为数学、代码和推理等目标优化，倾向信息密度而非沟通效果；作者通过对语言模型施加长度惩罚微调使其偏离人类语言行为，为该假说提供了概念验证。

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。