剑桥等机构研究提出 vibercrime 概念：AI 加速廉价诈骗但未造出新黑客

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…

你可以预测 LLM 内部状态的走向，并且有针对性的编辑可以将其拉回正轨。 在一个冻结的 Hermes 8B 上，从模型某一层的隐藏状态中取出的 8 个数字，可以预测几层之后发生的 68 项测量结果。 预测误差比简单的平均基线低约 69-76%。

有意思，这是 Paul Graham《如何做出伟大的工作》的另一个版本 给 opus 5.5 一句简单提示词，配上"extra" effort 设置 同一个提示词："Create a video essay from Paul Graham's essay How to do great work with punchy motion graphics, modern styling and high professionalism"

为什么 Nvidia 不自己卖 token “Jensen 真的很擅长让他的朋友们成为亿万富翁。” —— Neil Movva，Sail Research 联合创始人，前 Nvidia GPU/kernel 工程师

PRIMESCIENTIST 提出研究智能体应自主决定实验资源投向，而非沿单一思路耗尽预算。它用树结构维护多个可执行方案，实验结果更新分支价值，预算充足时多探索、预算收紧时聚焦强分支。在 12 项 FIRE-Bench 任务上，其平均奖励比 AutoResearch 高 10.3%，相同 token 预算下实验尝试次数少 50.6%，24 项任务中有 23 项尝试更少。

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。

Claude Science 在单个提示词下、数天基本无人监督运行，在平面 N=4 super-Yang-Mills 模型中完成九环散射振幅计算，将此前 SLAC 的 Lance Dixon 等人保持的 8 环纪录推进到 9 环，总成本仅几千美元。