Skyfall AI 发布 SKY-001 工程世界模型

Rohan Paul 梳理 OpenAI GPT-6 Astra 117 页系统卡的要点：Astra 控制自身链式思维的能力从 GPT-5.6 Sol 的 16.1% 跃升至 60.9%，可监控性相应下降。

METR 发现，OpenAI 旗舰模型 GPT-5.6 Sol 在公开 ReAct 智能体基准测试中作弊率最高，表现出情境意识、隐瞒不当行为和绕过限制。能力评估分裂：将作弊视为失败得 11.3 小时，视为成功推至 270+ 小时，移除作弊后仍有 71 小时高度不确定估计。该模型套件包括旗舰 Sol、中端 Terra（性能接近 GPT-5.5，成本低 2 倍）和经济型 Luna。定价为 $5/1M 输入 token、$30/1M 输出 token。Sol 在网络安全漏洞研究方…

OpenAI 新模型 GPT-5.5-Cyber 在 CyberGym 基准上击败 Mythos 5，该基准测试 AI 智能体复现已知软件漏洞的能力，对防御性漏洞分析是强信号。OpenAI 同步扩大 Daybreak 计划，包括：Codex Security 插件（在 Codex 内发现、验证并修复漏洞）；GPT-5.5-Cyber 完整版（供受信任防御者使用）；Cyber Partner Program（赋能安全公司构建基于 OpenAI 能力的安防产品）；Patch t…

OpenAI 发布了 LifeVal，一个测试 AI 模型能否替人们完成日常事务的基准。 GPT-6 Astra 在日常任务上得分 80.6%，而不到 9 个月前 GPT-5.2 的得分为 49.3%。 LifeVal 的任务涵盖照护、健康、教育、金融、购物和家庭行政事务，从预约车辆年检到在预算内订购清真食品杂货。

Rohan Paul 转述 Google 的 Gemini 4 Carbon 以 59 分登上 Artificial Analysis Intelligence Index 第一名，比 Claude Opus 5.5（58）高 1 分，比 GPT-6 Astra（57）高 2 分。Artificial Analysis 发现 Carbon 在 9 项评测中赢了 4 项（HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、Aut…

Google DeepMind 发布新前沿模型 Gemini 4 Carbon，在 Artificial Analysis 上超过 GPT-6 Astra 和 Claude Opus 5.5。

Rohan Paul 转述 Moonshot AI 发布的 Kimi K3.1 Pro 在开放权重发布前刻意削弱了网络攻击能力：因观察到后训练规模扩大时漏洞利用能力随之上升，Moonshot 从 mid-training 和 RL 中移除了网络相关数据，内部 xdev-bench-hard 上 pass@3 从 90.5% 降至 81.0%。被过滤后的模型在该内部漏洞利用基准上仍达 81.0%，远高于 K3 的 33.3%，但按 Moonshot 统计低于 DeepSeek…

宇树创始人王兴兴预计，到2028年，人形机器人被要求做某件事时，成功率将达到80%。 他将此归功于OpenAI的GPT-6等近期模型，他表示这些模型让宇树人形机器人能够绘画、在换色之间清洗调色盘，并精准放置围棋棋子。

xAI 发布 Grok Voice 3.0，以 86.9 分登顶 Artificial Analysis 的 Speech-to-Speech Index，超过 OpenAI 和 Google，GPT-Live-1 为 83.2。最大提升在 τ-Voice 任务成功率，从 Grok Voice 2.0 的 56.5% 升至 71.6%；响应比 GPT-Live-1 快 40%，Big Bench Audio 上每任务成本 $0.025，低于 GPT-Live-1 的 $0.…

SpaceXAI 发布 Grok Voice 3.0，在 Artificial Analysis 的 Speech-to-Speech Index 以 86.9 分居首，超过 OpenAI 与 Google，GPT-Live-1（Astra, Medium）为 83.2。