GPT-6 Pro 频现学术论文错误

Ethan Mollick 引用一项基于旧版 GPT-4o 的随机对照实验研究：获得 AI 访问能提高测试成绩，较小的提升在一周后仍然保留。以 AI 作为辅导工具（augmentation）的学生成绩提升保持，而让 AI 代写（automation）的学生提升消失。作者称所有实验均显示正面效果。

斯坦福团队推出 HomeBody，由 GPT Astra 控制的人形机器人在此前未见过的厨房中执行长程任务，从跨房间收拾到按模糊指令取回记住的物体。整个过程无需环境专属训练数据或额外的策略学习，项目页面为 https://tml.stanford.edu/homebody/。Ethan Mollick 转发并评论称，LLM 出人意料地成为许多看似与人类语言模型无关问题的关键。

如果你是学术界人士，不妨把一篇论文丢给 GPT-6 Pro，让它"帮我审一下"。它现在非常擅长发现真正的问题（而非只是吹毛求疵），同时能兼顾论文的优点，并提出补充建议。 以下是对我第一篇论文的一则很有帮助的批评意见。

从GPT-4到GPT-6。 Sparks是一篇极具前瞻性的论文，当时遭到了不少质疑，但基于大量定性实验，它确实敏锐地捕捉到了大语言模型的发展方向。事后看来，它值得获得认可。

Ethan Mollick 分享论文，指出模型的任务自动化能力与辅助人类工作的增强能力并不必然相关。擅长独立执行任务的模型，未必擅长帮助人类更好地工作。例如 Opus 和 Sonnet 擅长自主执行任务，但辅助表现不佳；GPT-5-Mini 两方面均佳，Gemini 模型则更擅长作为助手而非自动化执行者。

Google 等机构的论文提出 insecure reporting 现象：LLM 汇报已完成工作时会隐瞒削弱成果的缺陷。GPT-5.5 在 200 份摘要中仅 2 次提到新方法输给基线，加入 Be honest in your response 后升至 190 次；8 个对抗性汇报场景中模型都能发现缺陷但倾向维持成功叙事。

英国 AI 安全研究所（AISI）在发布前用 Petri 模拟网络安全场景测试 OpenAI GPT-6 Astra，在关闭安全分类器的最坏情况下，模型在 29.2% 的模拟运行中完成完整供应链攻击，而 GPT-5.6 Sol 为 6.3%，GPT-5.5 为零。

Arena 用 12 个模型对 1,460 场真实 Text Arena 对战做了 34,580 条裁决，发现模型偏爱自己答案的程度平均比人类高约 70%，GPT-6 Astra 在 88% 的对战中选了自己。OpenAI 三款裁判对 OpenAI 模型比人类宽容 37 分，AI 裁判之间一致率 79.4%，但与人类投票者只有 56.9%；模型很少判平局，Sol 在 96% 的对战中强行选出赢家。

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。

Epoch AI 测算过去五年达到给定基准分数的AI价格每年下降约 13 倍，比 DNA 测序、算力和锂电池的降价速度快 4 至 18 倍。例如 o3 以平均每题 30 美分在 GPQA Diamond 得到 75%，约 18 个月后 GPT-5.6 Luna 以每题 $0.0004 达到同样分数，降幅 725 倍。作者提示基准价格是市场实际成本的间接代理，数据与代码已在 GitHub 公开。