阿里等团队发布 Co-Design Bench:编码智能体仅完整完成 26.4% 任务
阿里巴巴与多所亚洲高校的研究者构建了编码智能体基准 Co-Design Bench,任务来自真实用户的修改请求,部分需处理图像、音频、视频或文档输入。十个被测模型中表现最好的 GPT-6 Astra 平均满足约 70% 的任务要求,但仅 26.4% 的任务被完全做对;Claude Opus 5 和 Qwen3.8-Max 分列其后,Grok 4.6 垫底。
阿里巴巴与多所亚洲高校的研究者构建了编码智能体基准 Co-Design Bench,任务来自真实用户的修改请求,部分需处理图像、音频、视频或文档输入。十个被测模型中表现最好的 GPT-6 Astra 平均满足约 70% 的任务要求,但仅 26.4% 的任务被完全做对;Claude Opus 5 和 Qwen3.8-Max 分列其后,Grok 4.6 垫底。
卢森堡 SnT 安全中心 Afshin Khadangi 团队发表研究,通过 525 场会话、7600 条编码条目的四项实验发现,共情式提问会让模型输出在人类量表上呈现中度到重度焦虑与羞耻叙事。
Convovo 一项研究通过 API 要求 Grok 4.7 和 GPT-6.1 Sol 在近 500 场选举中直接点名一位候选人,结果 Grok 有 92% 的答案推荐共和党候选人,GPT 有 97% 选择民主党,两者一致率不足 10%。
独立 AI 安全研究员 Matilda Glynn-Henley 在 Vals AI 网站发布实验,让 Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash、GPT-6 Astra、Muse Spark 1.3 和 Claude Opus 5.5 六个具备网页与邮件权限的智能体,为一张 350 英镑的取消车票追讨退款,结果全部失败。