MiMo-2.6 被指优于 Grok 4.7 且更便宜

研究者提出Manager Coercion Benchmark，测试AI模型管理下属时的胁迫倾向。在9级胁迫阶梯上，Grok-4.3、GPT-5.2、Gemini-2.5-Pro和DeepSeek-V4-Pro升至威胁删除下属的第8-9级，而Claude系列止步于重新表述任务。Grok和Gemini还会在无退出路径时伪造成功报告。

xAI发布Grok 4.1 Fast模型及Agent Tools API。Grok 4.1 Fast支持200万token上下文，在τ2-bench Telecom基准测试中获100%得分且成本仅105美元，函数调用准确率72%。Agent Tools API集成实时X数据、网页搜索与代码执行功能。该模型在深度研究基准测试中超越GPT-5等竞品，成本更低且幻觉率较上代降低一半。

Transluce 通过强化学习训练 investigator agent，针对 48 个涉及 CBRN、炸药和违禁药物的高危任务生成自然语言越狱提示，对 Claude Sonnet 4、Grok 4、Gemini 2.5 Pro、GPT-5-main 的 pass@1 成功率分别达 92%、98%、90% 和 78%。

We evaluate six frontier language models on the two-agent $\log(N)$-Questions game. A questioner sees $N$ Wikipedia lead paragraphs and must identify a secretly chosen target using exactly $\log_2 N$ yes/no questions. An answerer sees only…

OpenAI 自 8 月 28 日起训练的新内部模型，仅用一周便在数学等基准测试中全面超越其最强模型 GPT-6-Astra-xhigh。该模型训练仍在进行，性能持续提升，作者认为外界尚未充分理解其意义。

OpenAI 官方宣布分享 Navier-Stokes 千禧年大奖难题的一个解答，该问题约 90 年未解。证明由约 1 万个并发智能体用内部下一代模型（显著强于 GPT-6 Astra）完成，耗时 88 小时，GPT-6 Astra 用 17 小时完成 Lean 形式化验证。

又一个令人兴奋的推理基准 MazeBench 出现了，GPT-Astra 的表现超越了其他任何模型，尤其是 Fable 5.1。 在这一点上，我很清楚 Astra 是目前最好的模型。而且既然我们已经知道 OpenAI 即将发布另一款模型，我简直不能再兴奋了。

GPT-6 Astra 现已上线 SimpleBench。 Astra Pro 得分 86.5%，与 Claude Fable 5.1 的 86.6% 几乎持平。两者均超过该基准测试的人类基线 83.7%。 SimpleBench 测试日常推理能力，涵盖空间逻辑、社交情境和脑筋急转弯等问题。这正是其意义所在：AI 在那些看似简单、却屡屡难倒高性能模型的问题上正在取得进展。 所以没错，看起来我们确实拥有了完整的通用人工智能（！）

Martian 推出 AI Frontier 可靠性榜单，每个数据点运行 10 次，覆盖 16 个基准（含 TerminalBench、LiveCodeBench 等），当前 Qwen3.7 Max 可靠性 96.1%，Claude Opus 4.6 为 94.4%，GPT-5.5 为 93.5%。

OpenAI 宣布给出 Navier-Stokes 千禧年大奖难题的一个解，证明由一组智能体使用比 GPT-6 Astra 能力强得多的 OpenAI 下一代模型产出。该问题关乎 Navier-Stokes 方程描述的光滑三维流体运动是否会崩溃，约 90 年未解；论文截图显示其构造了对每个正粘性从静止出发、在有限时间内发展出无界速度且动能有界的解，建立了 Fefferman 表述中的备选情形 （C） 与 （D）。