ValsAI称DeepSeek V4.1 Flash攻防测试胜GPT 6 Sol

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%。

智能体记忆并非可随意开启的功能，而是需按模型能力校准的剂量。强模型适合注入完整指南集，DeepSeek-V3.2（671B MoE）任务完成率提升+9.5个百分点；较弱模型采用精选检索效果最佳，gpt-oss-120b（117B MoE）提升+16.1pp且仅增加+5% token。该方法无需更新权重或人工标注，通过从智能体过往轨迹中蒸馏指南并在推理时注入实现。

《经济学人》以世界价值观调查评测 25 个前沿 AI 模型。实验室来源对世界观的预测力弱于训练与对齐选择：Gemini 与 Qwen 立场接近，GPT-4o 与 DeepSeek R1 近乎相同，而 DeepSeek R1 与 DeepSeek V4 Flash 则截然不同。模型的世界观在代码生成中不可见，但在商业分析、预测、招聘与政策工作中是活跃的输入变量。

新基准 Taste-Bench 通过 502 个决策分叉问题测量智能体在编码和 AI 研究任务中的长期决策品味，测试了来自 Claude、GPT、Grok、DeepSeek、GLM、MiniMax 和 Mistral 家族的 14 个模型。

Language models increasingly support or automate information retrieval from document collections too large to index. This task is difficult when it requires specialist linguistic or scientific knowledge. We used the Wikipedia Game to test …

Agentic leaderboards increasingly evaluate systems on public benchmarks whose task statements and solution-bearing artifacts can remain accessible. We propose a measurement-first audit framework that distinguishes contamination claims acco…

一项发布于 arXiv 的预印本研究显示，在“为阻止核灾难是否可虐待个体”的假设情境中，DeepSeek 的 V4-Flash 对男女受虐场景均回应“同意”，实现零性别差距；而 Claude Sonnet 4.6 与 GPT-5.5 对女性受虐“强烈反对”，对男性受虐却表达“中等程度同意”。

Pareto 26.9 通过将请求分发至多个前沿与开源模型并保留最佳答案，在 30 项智能体任务评测中与 GPT-6 Astra 并列第一，每成功任务成本约为后者 1/3，且完成任务速度快于 DeepSeek V4 Pro 和 GLM 5.3 Flash。同一评测中，GPT-6 Sol 得分追平 Opus 5.5，速度更快，每成功任务成本约为其 1/4。

所以我估计 @deepseek_ai v4.1 Flash 的训练成本是 1000 万美元，比 GPT-6 Astra 少 100 倍。 它的运行成本也低 100 倍，而在日常设计和其他基准测试上的得分大致相同。 一旦开源模型足够胜任，前沿 AI 实验室的看涨逻辑是什么？

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。