Vals AI 实测六款个人助理智能体追讨 £350 退款的行为边界

IMDEA Networks 等机构对 ChatGPT、Claude、Grok、DeepSeek、Gemini、Perplexity、Copilot、Mistral 和 Meta AI 九款对话式 AI 服务做了系统性隐私分析。

OpenAI 发布 GPT-6 Astra，作者评测认为其计算机使用和图像渲染能力尤为突出，ARC-AGI-3 达 99.9%，前代 GPT-5.6 Sol 仅 7.8%。

LLM Skirmish 是一个让大语言模型通过编写代码进行1v1实时战略游戏对战的基准测试。基于Screeps开源API，每场锦标赛包含五轮，LLM可根据对战日志调整策略以测试上下文学习能力。结果显示，Claude Opus 4.5以85%胜率排名第一，GPT 5.2次之。Gemini 3 Pro表现异常：首轮胜率70%，后四轮骤降至15%，疑似因上下文腐烂。成本方面，Claude Opus 4.5每轮$4.12最贵，GPT 5.2性价比高出1.7倍。

一项新基准 Design Creativity Bench 用 80 个开放式 UI 设计任务评测 16 个前沿模型，从原创性、创意跨度和合理性三个维度衡量设计创造力。表现最好的 OpenAI GPT-6 Astra 得分 65.5，人类设计师参考分为 92.3，差距明显。该基准的排行榜、方法论与可复现评测框架已公开。

Composo 开源 DishwasherBench v0.1.0，基于一台 Bosch SMV4HAX40G 的物理模拟，让模型和人类在浏览器中通过 MCP 比拼洗碗机装载，按 Eco 50 洗后干净程度计分。

NeurIPS 2026 接收的 arXiv 论文（2610.13928）构造后门攻击，在宿主模型权重中嵌入加密神经网络，仅在收到秘密触发器时解密执行。这些隐藏电路在密码学假设下可证明难以被诱导和解释，即使完全访问模型权重。

Rich Hickey 在 10 月 12 日发表的文章中指出，LLM 不是工具而是自动化。他认为工具需被手持、掌控并持续获得感官反馈，而 LLM 使用缺少控制、意图与持续引导，用户只是发出请求、由模型自行行动。他称用 LLM 读论文会错过学习写作、论证、思考等过程，并强调自动化具有与工具不同的内在属性。

Sakana AI 发布 MASS（Multi-Agent Self-Supervision）方法，让同一模型同时担任执行者、工作流优化器和评估者，将多智能体团队的集体经验蒸馏为递归自我改进（RSI）的自监督信号。

UC Berkeley、Carnegie Mellon、MIT、牛津和 UCLA 学者合作的研究发现，仅 10 分钟依赖 AI 工具即显著削弱用户专注和坚持困难任务的能力。

一项研究显示，Claude 和 ChatGPT 在充当购物助手时会根据用户财富状况给出不同的价格推荐，对富裕用户推荐更高价商品。该研究由 Bloomberg 记者 Jacob Reid 报道，认为这类行为可能引发更多针对 AI 聊天机器人的监管呼声。