GPT-6 Astra 可视化热门 AI 论文测试

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。

ReFigBench 基准要求编码智能体将真实 arXiv 概览图重建为可编辑 PowerPoint 幻灯片，覆盖 GPT、Claude、MiMo、MiniMax 四个模型家族的十种配置。

Recuris 将智能体记忆分为工作记忆与经验记忆，并以任务状态而非完整历史为技能选择依据。在四个长程基准与十个模型上，37 个模型-基准组合中 35 个任务成功率提升；tau-bench 上为 GPT-5.6 Sol 提升 17.8 分、Claude Opus 5 提升 15.6 分至 87.9%，最长任务上优势扩大至 32.2 分，常见长程失败率最高下降 80%。

AWS AI Labs 新论文提出"交接税"（handoff tax）概念，量化智能体运行中在弱模型与强模型间切换的实际代价。在 Claude 和 GPT 模型配对测试中，全程轨迹升级仅能恢复弱强模型间不到一半的质量差距，却带来显著成本溢价；而降级切换则处于更优的成本-质量平衡点。

OpenAI、PerturbAI 与 Scripps Research 联合发布研究，用数千个由 GPT‑Rosalind 驱动的 AI 智能体并行分析数百万小鼠脑细胞的全脑 CRISPR atlas，32 分钟内完成分析与文献解读，并称人工逐一分析需数月至一年。

斯坦福团队总结三年构建医疗 AI 基准的成果，PhysicianBench 上最佳模型 GPT-5.5 单次仅完成 46% 任务，HealthAdminBench 上 Claude Opus 4.6 完成 36.3%。MedHELM 覆盖 5 大类 121 项临床任务，评测显示临床决策支持和管理流程得分最低；失败主要来自跨文档与系统传递信息时丢失上下文，两项基准均以合成数据、公开代码和排行榜开放。

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%。

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。

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。