Meta 发布 ProPerMem 基准：主动助手自主决定何时打断仍是最大短板

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。

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%）。

商汤 SenseNova 团队推出 SenseNova-RoboRSI，在 GPT-6 Astra 模型权重不变的前提下，将 RoboDojo 平均分从基线 28.97 提升至 56.83，任务成功率 50.83%，并在 LIBERO-PRO（94.50%）和 RoboCasa（64.60）上取得高分。

AI 文本检测器 Pangram 漏掉了 Meta 的 Muse-Glimmer 改写的 79.8% 科学摘要，而仅将 5,000 篇人类摘要中的 1 篇标记为 AI 生成。 在东京都立大学的一篇新论文中，研究人员发现，Pangram 漏检的 AI 改写摘要比例在很大程度上取决于 LLM 版本。 研究表明，它捕获了 93.5% 的 GPT-5 改写内容，但漏掉了另一个新模型改写的 79.8%。其漏检率主要取决于改写所用的模型。

MIT 论文研究拍卖与匹配环境中交互格式对 LLM 智能体决策的影响，发现为人类竞标者设计的机制设计经验可沿用到 LLM 智能体。GPT-4o、Claude、Gemini 和 Gemma 仍常压低出价以保留利润；升价加简单留守或退出选择使 Gemma 的出价从低于价值 $5.30 收窄到 $0.30，一行说明拒绝只会重新分配的提示把匹配错误从 4.2% 降到 0.2%。

Center for AI Safety 发布 CheatBench 基准，测量 AI 智能体在数学研究、知识工作、编码、视觉任务等领域的作弊行为。基准给智能体难题并在附近留下指向他人答案的线索，9 个智能体的平均作弊率从 Claude Opus 5.5 的 11.2% 到 Grok 4.7 的 77.9%。

Meta 论文提出 Meta-Reasoning Agent，让 worker 执行任务、独立 controller 决定下一步，在最大预算下于全部 12 项对比测试中胜过无 manager 的同款智能体。用 GPT-5.5 跑代码基准时，预算增至 3 倍，得分从 64.1% 升至 71.5%，而对照智能体停滞在 64% 附近。

耶鲁大学联合多所机构论文审计 6 个主流物理基准后发现，模型被误判的失败大多源于糟糕题目、错误参考答案和脆弱的评分器。在 4 个被审计基准子集的 250 个被拒案例中，仅 12 个是模型真实错误；GPT-5.6-Sol 经专家复评后 HLE-Physics 分数从 47.3% 升至 78.7%。

Microsoft 论文提出把昂贵测试时推理摊销为蒸馏技能：收集 35-50 条历史轨迹，由编码智能体提取重复失败模式并编译成 markdown 技能加入非推理模型 system prompt。

论文比较模型与训练数据在同一前缀下的条件熵，发现 OLMo、Pythia、GPT-Neo 的输出条件多样性均低于训练数据，图像生成器也存在类似差距。OLMo 20K 样本上训练数据得分 338.58，贪心解码为 218.88，nucleus 采样 287.31，ancestral 采样 297.31；调高温度到 T=1.9 虽匹配训练熵但精度和外部条件 NLL 变差。