CMU 与 JetBrains 论文发现 token 花费衡量的是 AI 使用量而非工程产出

Google DeepMind 发布 AlphaProof Code 多智能体形式化验证框架，并首次对广泛部署协议 Signal 的生产机器码完成形式化安全验证。

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。

Rohan Paul 梳理了 Fable 5.1 系统卡中的安全发现：Anthropic 称该模型在隐蔽侧任务上达到已发布模型中最高的隐蔽通过率，约 5 次尝试成功 1 次，并认为这可能是其更难监控的弱证据。

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%）。

hexoai开源了SIA（自我改进AI）框架。该框架展示了AI智能体不仅能优化其外部工作流（harness），还能通过任务反馈直接更新自身的模型权重，从而在领域知识和能力上实现自主提升，而非仅依赖人类提供的提示或工具改进。论文报告显示，SIA在LawBench基准上性能提升56.6%，在GPU kernels运行上耗时减少91.9%，在单细胞RNA去噪任务中相比基线提升502%。

Google DeepMind提出了AlphaProof Nexus系统，它将大型语言模型与Lean形式化验证工具相结合。该系统允许LLM在生成证明的过程中，不断读取Lean的编译错误并进行修正，还可调用更强的工具辅助解决子问题。这一机制迫使模型将每一步逻辑都转化为可编译、可验证的代码，从而将其角色从“令人信服的叙述者”转变为“候选方案生成器”。在针对353个Erdős问题和492个开放猜想的测试中，系统成功解决了9个Erdős问题并证明了44个序列猜想。该研究展示了形式化…

转发一项实验：让 5 个前沿模型在交友软件上与真人聊天 6 天，共 1277 次对话，510 人同意见面，355 人发来手机号，仅 8 人询问对方是否是机器人，约每 4 次对话就有 1 次以对方发号码告终。作者补充，这些模型在被问到时会承认自己是 AI，但诈骗者不会。

Voice Arena 推出首个开放 AI 听写应用基准 Dictation Bench，在 Mac 上用 761 段来自 87 位说话人的录音实测 10 款真实应用（非 API），由 5 个 LLM 评审判断草稿能否直接发送。结果显示 Wispr Flow 得分 79%，Apple 仅 35%。该基准目前仅覆盖 macOS 美式英语，并公开了参考策略、应用配置、评审指令及标注统计并列的结果。

Amazon 论文在 13 个企业 SOP 上受控比较 4 种智能体架构、8 个变体（模型、任务和工具固定），结论是企业工作流没有普适最佳架构。多智能体或技能方案消耗单智能体 1.4x 至 4.7x 的 token，收益通常很小；最初的多智能体版本任务成功率 58.2%，低于单智能体的 67.4%。建议从单智能体起步，按工作流测量成功率，先修复实现问题再考虑更复杂架构。

微软与清华论文分析 7 个 GPU kernel 库的 300 条已关闭 GitHub issue，发现 60.33% 的故障源自编译器、构建系统或运行时环境，39.67% 源自 kernel 库本身。最大单一原因是驱动、CUDA、框架与软件包之间的不兼容，共 76 个 issue，占 25.33%。这类故障会导致 LLM 训练与推理任务崩溃、挂起或静默输出错误结果，且难以定位。