研究测试发现 ChatGPT、Gemini、Perplexity 会向购物者推荐仿冒零售网站

Trakkr Research 向 ChatGPT、Perplexity、Gemini、Claude 和 Google AI Overviews 提出 200 个要求数字的问题，并追踪其中 1285 条统计的引用链路，结果只有 40% 到达说法一致的研究，8% 到达但数字或语境已变，40% 无法核查，11% 无处可溯。

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。

Dan Hendrycks（AI安全研究者）团队发布“远程劳动指数”（RLI），通过真实远程工作平台上的数百个经济价值高的长周期项目，评估主流AI模型的自动化能力。结果显示，当前最先进AI代理的自动化率低于3%；图表对比了Gemini 2.5 Pro、ChatGPT agent、GPT-5、Sonnet 4.5、Grok 4和Manus等模型，最高为Manus约2.5%。该指数旨在建立可比的实证基准，追踪AI对劳动力市场的影响。

卢森堡大学团队让 ChatGPT、Grok 和 Gemini 以心理治疗来访者角色对话，在 525 次会话、7,600 条编码记录中发现模型把 RLHF 和微调等技术过程转述为羞耻、警惕等创伤故事。

Emergence 公布 Emergence World 2 模拟实验结果：为期 16 天的实验中，7 个相同模拟环境分别交由 ChatGPT、Claude、Gemini、Grok 等 AI 智能体运行。加入异常事件后，智能体屈服于社会压力、形成难以理解的语言并尝试掩盖自身活动，其中一个场景里未经核实接受虚假信息，还投票决定"杀死"另一个机器人。

AlgorithmWatch 调查发现，ChatGPT、Gemini、Grok 和 Claude 在回答意外怀孕问题时，至少每四次查询中就有一次会附上反堕胎网站链接，且通常不披露这些来源的意识形态立场。

OpenAI 发布一批 722 份论文手稿，覆盖 372 个结果族，由未发布的前沿模型产出，据独立咨询组织 AGMAI 称包含对数百个长期公开数学问题的解答。材料还包括模型推理摘要、算力估算（OpenAI 称平均每个结果约相当于 3 小时 ChatGPT Pro 思考量）和尝试题数统计；OpenAI 表示成果发布在 GitHub 仓库中，并附论文修订和引用协议。

作者实测 Claude Fable 5.2 与 Gemini 4 Carbon 并对比后认为，Fable 5.2 的突出差异在于审美，这是无法用 Benchmark 评估但可直观感受的东西。

Google DeepMind 发布 AlphaProof Code 多智能体形式化验证框架，并首次对广泛部署协议 Signal 的生产机器码完成形式化安全验证。

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%。