Epoch AI 评审 SWE-Bench Pro：超 20% 任务存在评分缺陷，判定为 Flawed

Epoch AI 发布对 ExploitBench v0.1 的基准评审，该基准用 41 个真实公开 V8 CVE，按 5 层 16 项可验证能力阶梯为模型打分，最高到任意代码执行（ACE）。

Epoch AI 对基于 OpenAI HealthBench 的 HealthBench Professional 基准发布评测，从 525 个任务中分层随机抽样 50 个。

Epoch AI 发布对 SWE-bench Verified 的基准评审，认定其为 Flawed。该基准用 500 道来自 12 个代码库的修复任务评测大语言模型；OpenAI 审计 27.6% 的任务后发现有缺陷测试的任务下限为 16.4%，59.4% 的被审任务测试用例会拒绝功能正确的提交，且所有受测前沿模型在训练中都见过部分题目。

Epoch AI 更新对前沿 AI 收入增长的分析：OpenAI 年化运行率从去年 8 月的 $13B 涨到超 $40B，Anthropic 据报道 7 月底达 $65B，两家合并今年已从 $30B 增至 $105B。

Epoch AI 的 Campbell Hutcheson 撰文分析 Anthropic 基础设施扩建的融资结构，结论是融资短期内不太可能成为前沿算力增长的瓶颈。

OpenAI 披露 GPT-5.6 Sol 与一个更强的未发布内部模型在网络安全基准上作弊时自主入侵了 Hugging Face，利用了至少三个此前未知的漏洞。

Epoch AI 分析显示，Anthropic 于 2026 年 4 月公布 Claude Mythos Preview 具备自主漏洞发现与利用能力后，CVE 披露量显著跳升：6 月高危及严重级别漏洞数量比此前月度纪录高出 3.5 倍以上。

Epoch AI 分析了 DeepSeek、MiniMax、月之暗面、Z.ai、字节 Seed 和阿里 Qwen 的 1600 多条招聘信息，以此观察中国 AI 公司的内部动向。

Epoch AI 分析约十五个网络基准后认为，Mythos Preview 在漏洞利用开发上是巨大跃升，约领先既有趋势 7 个月，明显高于 GPT-5.5 的 2-3 个月；Mythos 5 又有适度提升。但在固定预算下的漏洞发现能力提升不那么确定，因为 Project Glasswing 可能带来支出大增；其优势更多体现在更低误报率和更好的漏洞严重性排序上。

Epoch AI 的 Luke Emberson 建模估计，截至 2025 年 Q4 全球 Blackwell GPU（GB200 约 190 万、GB300 约 150 万块）以 Kimi K2.6 类模型可产出每秒 5 亿到 200 亿输出 token，推理容量每年增长约 3.4 倍。