Apodex 发布 TRACES 基准，评估 AI 在未知答案科学问题上的探索过程

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…

论文提出 ContextPilot，让智能体主动规划、存储、压缩或删除旧上下文，并通过 RL 学习哪些上下文决策真正有效。

LoopArena 基准（arxiv.org/abs/2608.28281）评测模型作为运行时 Controller 指导固定编码 Worker（Qwen3.7-Plus）完成长任务的能力。

一篇 arXiv 论文（arxiv.org/abs/2608.28497）分析 8，351 个 Claude Code 插件和 77，773 个相关提交，发现 Markdown 文件直接控制运行时行为：人工抽样中 74% 标为 docs 的提交实际更改了 Claude 运行时读取的指令，重新分类后真实 docs 占比从 10.3% 降至 1.7%。

论文《DuMateBench： Evaluating Autonomous Agents in Complex Real-World Workflows》提出基于 200 个真实用户会话重建任务的基准，涵盖编码、网络调研、文档处理和内容创作，并加入缺失依赖、不稳定网络和干扰文件等环境复杂度。

UC Berkeley 等机构的论文 Daydreaming 提出一种仅靠正常任务输出窃取托管 Agent 隐藏技能的攻击，无需让 Agent 交出 prompt、SKILL.md 或文件。

arXiv 论文 FM-Bench（Football Management Benchmark）让 15 个前沿模型在 20 个模拟赛季、约 340 到 400 个决策点的环境中管理足球俱乐部，涉及转会、合同、现金和投资。