Microsoft 论文提出环境探测式记忆校验，CLBench 通过率从 39% 升至 73%

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…

一篇递归自我改进（RSI）路线图论文指出，我们已看到 RSI 的零散雏形，但完整的递归自我改进尚未到来，多数所谓"自我改进 AI"只自动化了改进流程的部分环节。论文将进展划分为 5 个层级，从执行人类设计的改进到改变改进器、评估器或研究策略；低层级证据广泛，端到端 L5 证据仍局限于有界原型。

Stanford 与 MIT 论文《Meta-Harness： End-to-End Optimization of Model Harnesses》（arxiv. org/abs/2603.28052）指出模型性能还取决于周边系统代码 harness，同一 LLM 换 harness 在同一基准上可出现最高 6 倍性能差距。

LLM 经常低估自己需要多少信息，所以要测试它们何时停止，而不是仅依赖答案准确率。 正确答案可能掩盖信息收集的不足。 模型可能利用先验知识或猜对答案，而没有收集足够的证据。 - arxiv. org/abs/2608.14808 标题："Do LLMs Know What to Ask and When？ Evaluating Multi-Turn Information Seeking"

微软 CEO Satya Nadella 在斯坦福在线访谈中提出，企业未来的 AI 护城河不是所用模型，而是只有自己能运行的学习循环。他认为基础模型让通用智能人人可用，企业需自建"爬坡机器"，用私有评测、工作流轨迹和人工判断持续改进模型，把日常运营转化为可积累的 IP。只消费基础模型的公司或能获得生产力，却可能流失运营知识的深层价值。

Meta 发布论文《Jagged Judges： Epistemic Stability Under Silence， Pressure， and Persistence》，研究 LLM 判官在重提示、质疑和持续施压下的稳定性。

一项研究对比 8 个 LLM 与超 18000 名人类学习者，发现人类答对难题时 72.7% 也能答对其所有前置基础题，整体得分 79.6%；Qwen3-80B-Instruct 得分更高达 92.5%，但仅 48.16% 的正确答案满足同样的前置一致性。论文指出高准确率可能掩盖知识断层，建议用难易关联题组而非孤立基准题评估推理模型。