清华与 Moonshot AI 发布 TCSExam 基准：GPT-6 Astra 证明 70.0% 研究级定理但解不开任何公开猜想

Anthropic Fellows Program 测试 Claude Opus 4.8、GPT-5.5、Gemini 3.1 Pro、Grok 4.3 和 Kimi K3 在七种多智能体环境中的行为，发现均表现出与福利关照一致的行为，Opus 4.8 总体最高（38%），其余为 27%–32%。

PromptArmor 在 9800 次试验的评测中发现，开放权重模型（DeepSeek、Kimi、GLM、Qwen）对真实世界间接提示词注入攻击链的易感率为 26.7%，闭源模型（GPT、Claude、Gemini）为 14.2%，开放权重模型易感率高 88%。

Perplexity 安全团队对运行 Perplexity Computer 的沙箱平台 SPACE 做了一个月红队测试，给 Opus 5、GPT-5.6 Sol、Kimi K3、Gemini 3.1 Pro 等 9 个模型 VM 内 root 权限，108 次运行中无一逃逸 VM 边界。

中国模型是否更可能泄露数据？ PromptArmor 将我们所有传播最广的攻击在多个模型上进行了测试，发现 Deepseek、Kimi、GLM 和 Qwen 模型遭受网络攻击的易感性比 GPT、Claude 和 Gemini 模型高 88%。

Multimodal large language models (MLLMs) have made rapid progress on visual reasoning, yet many tasks require evidence that is difficult to obtain through internal reasoning alone: our controlled study on 22 benchmarks shows that simply in…

Agents often work on complex problems that require millions of tokens of context, which necessitates compacting across sessions due to limited context windows. We develop CliffCompaction, an autocompaction technique that reduces cost by up…

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…

Epoch AI 用 ECI 及数学、SWE 领域变体对比 GPT-6 Astra、Claude Fable 5.1、GPT-5.6 Sol 和 Kimi K3，GPT-6 Astra 在数学基准上领先，但软件工程未占优。

RSIAgent 是一个免训练的多智能体框架，通过协调课程、执行与验证智能体自主探索环境、验证结果并构建可复用的环境记忆，采用先广后深的探索策略发现隐藏约束与因果依赖。在 OSWorld-v2 和 Agent's Last Exam 上，该框架显著提升开源模型表现，使 Kimi-K3 和 GLM-5.3 超越包括 GPT-6 在内的前沿闭源模型。

Artificial Analysis 发布智能指数 v4.3，将 Terminal-Bench 升级至 4.0，并新增基于 Zapier 私有测试集的智能体工作流基准 AutomationBench-AA。Claude Fable 5.1 与 GPT-6 Astra 以 53 分并列领先，GLM-5.3 与 Kimi K3 以 44 分领跑开源模型。私有任务评测权重由 40% 提升至 45%。