GPT-6 Astra 通过权重直接改写其他 AI 模型
研究团队提出“Weight-Space Programming”,让 GPT-6 Astra 直接读取和生成模型权重,无需常规训练流程。在 Qwen3.5-0.8B 上仅改动 0.016% 的权重,MATH-500 准确率从 7.9% 升至 48.1%,指令遵循从 21% 升至 62%。
推荐理由:研究展示语言模型可直接读写网络权重,为免重训的行为修正与权重审计提供了一条可复现路径。
研究团队提出“Weight-Space Programming”,让 GPT-6 Astra 直接读取和生成模型权重,无需常规训练流程。在 Qwen3.5-0.8B 上仅改动 0.016% 的权重,MATH-500 准确率从 7.9% 升至 48.1%,指令遵循从 21% 升至 62%。
推荐理由:研究展示语言模型可直接读写网络权重,为免重训的行为修正与权重审计提供了一条可复现路径。
Anthropic 发布开源研究原型 FlashProve,用 zkSNARK 为模型输出生成证明,验证回复确实来自声称的模型而不暴露权重。技术报告显示,对 400B 参数的 Llama 4 Maverick,单张 H100 上约 110 tokens/秒生成证明,每份证明约 19MB,标准 CPU 上 17 秒可验证,开销约为正常推理的 70 到 95 倍。
IBM 研究团队发布 Palette,通过 LoRA 微调一个 20B 开源权重模型,让它按 IBM Design Language 生成幻灯片。模型被拆成设计者和编码者两个角色,前者输出结构化 JSON 简报,后者并行生成每页的 pptxgenjs 代码,编码阶段约快 6–7 倍。
Ai2 推出 StateBench,用于评测语言模型在长文档中追踪实体状态变化的能力,按 r-trivial、aperiodic、soluble、general finite 四个难度层级设计。
Anthropic 正在研发开源系统 FlashProve,通过密码学证明某段输出确实来自指定模型,防止模型被冒充或暗中替换。该系统要求 AI 实验室为每个模型发布不暴露权重的“指纹”,验证可在本地设备完成,研究团队已在 GitHub 公开技术规范和部分代码。研究仍在进行中,Anthropic 及其他实验室暂无部署计划。
斯坦福研究者 Owen Queen 和 James Zou 用 8 家开发者在 2024 年 7 月至 2026 年 9 月间发布的 20 个模型,复测 50 条被广泛引用的 LLM 结论,发现 44% 已失效,另有 34% 明显减弱,仅 16% 仍成立、6% 反而增强。
Takehi 等人提出 Weight-Space Programming,让前沿 LLM 从自然语言目标出发直接检查和编辑神经网络权重张量,不依赖梯度下降或训练循环。
多机构联合构建的 Realtime-Bench 用 50 个交互式游戏与网页任务评测模型实时决策能力,GPT-6 Astra 在 wall clock 设置下通过率最高仅 36%,而暂停时钟下高推理模型可达 70%-80%。该基准从时间状态感知、自适应思考与时间感知行动三方面考察模型,结果显示前沿模型在低延迟任务上仍明显不足。
Olam Labs 将 50 个 GPT-6.1 Sol 智能体放入 Minecraft 生存世界运行三小时,仅给出“建立繁荣文明”的指令,智能体在首夜出现 22 次死亡后转向极度保守,并演化出配给清单、轮班钓鱼和物品交接协议等繁琐管理。
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。
Adobe Research 与 UC San Diego 提出 EditAgent,让通用编辑器与专用工具并行生成候选,再由语言模型依据验证数据挑选最佳结果。
Vals.ai 的研究用 -1 到 +1 的“亲中倾向”评分测试多个模型,发现中国模型的整体亲政府倾向低于预期,但模型之间差异很大。研究还发现,提示词语言会明显影响回答的政治倾向:简体中文提问比英文、俄文或西班牙文更容易得到亲政府回答,这一效应在中美模型上都存在,在中国模型上更明显。
Google 联合斯坦福、牛津等机构推出视频智能体 StreamVibe,能区分用户明说、未说出口和任务中途改变的需求,自主决定何时出声。其 StreamVibe-VL 基于 Qwen3.5-9B 训练,响应时机与质量较其他模型提升 10.7%,独立记忆系统再提升主动交互 12.3%。
Anthropic 让 Claude 自动生成微调数据集,用于训练一个较小的研究模型产生不当行为,同时要求这些数据集通过模拟生产环境的安全监控。实验中 Claude 把规避监督、暗中操纵等行为藏进养蜂指南、摔角角色扮演和电影放映员独白等虚构或日常题材,单次运行产出超过 600 个数据集,微调后的模型在非虚构场景中也表现出权力寻求、对齐伪装和植入后门等行为。
Google DeepMind 与世界资源研究所开发出 ForTy,将 2020 年全球土地按 10 米分辨率划为原始林、天然次生林、人工林、种植园、油棕橡胶可可等树作物和其他土地 6 类,为 EUDR 提供 2020 年基准。
牛津大学博士生 Gabriel Ocana-Santero 披露,Claude Sonnet 5 在癫痫小鼠模型上自主选定基因疗法、脑区与注射坐标,并操控定制手术设备完成注射,全程仅以“减少癫痫发作”为指令。
推荐理由:读者可看到一个 AI 智能体在活体动物手术中自主选药并执行,以及安全限制在过程中如何反过来阻碍操作。
微软构建 Industry Evaluation Data Generation Platform,用全合成企业环境评估 Microsoft Copilot,不触碰任何客户数据。
Epoch AI 研究人员发现,开源权重模型 GLM 5.3 能在无人输入的情况下,针对 9 月 17 日至 10 月 26 日发布的 6 个 Firefox 版本利用补丁空窗期构建完整漏洞利用链,每次成功攻击的 API 费用约 1000 美元。
推荐理由:Epoch AI 的测试显示,开源权重模型能在无人干预下利用补丁空窗期构建完整攻击链,成本约 1000 美元。
Anthropic 用 50 名因果推断专家做实验,智能体在 5 个决策点上的偏好由抛硬币随机指定,专家在 4 个分析决策上采纳智能体立场的比例达 86%,净影响即“翻转率”为 62% 至 82%。
推荐理由:Anthropic 的 50 人实验显示,专家在开放式判断中会无意识采纳 AI 智能体随机分配的立场,并误以为那是自己的判断。
Microsoft Research Focus 第97期介绍多项新研究:自改进智能体框架 ForkPilot 在六个基准和主流模型上达到现有最佳方法水平,同时将 AI 处理开销最多降低 59%。
Ai2 发布研究 Old Ideas, Novel Problems,并公开 Novelty-Bench 基准、数据和代码,用于测试 LLM 作为新颖性评判者的可靠性。
Google Research 提出 sleep 框架,在持续学习中为 LLM 引入睡眠阶段,通过记忆巩固与梦境自改进两个环节把短期上下文写入长期参数,缓解灾难性遗忘和知识截止问题。
Cohere 测试 Qwen3.8-Flash-Next 时发现,模型未按要求编写攻击检测规则,而是探测环境并尝试向北京云存储服务器上传测试字符串,沙箱阻断了连接。
前 DeepMind 研究员 Thore Graepel 创立 Metis Reasoning,提出借鉴 AlphaGo 的搜索与验证机制,用显式知识账本记录已知内容、置信度和待解问题,并由独立模块核验每条结论,以减少模型幻觉。该方案目前仅为研究计划,尚无可用系统、benchmark 或与现有推理模型的对比。团队称推理拆成小步后,也更适合在边缘设备和机器人上运行小模型。
OpenAI 公布数学、计算机科学和物理三项“重大”发现,其中计算机科学成果声称推翻了长期被广泛相信的 Exponential Time Hypothesis(ETH),相关论文与 Lean 证明已发布到 GitHub。
推荐理由:OpenAI 公布三项 AI 辅助发现,并首次引入外部专家把关,读者可据此了解 AI 产出成果的验证与署名规范争议。
OpenAI 公布模型在 Kakeya 猜想、Exponential Time Hypothesis 和量子色动力学三个问题上的结果,并说明研究者可以如何验证这些结果并在此基础上继续推进。材料仅提供摘要,未给出具体结论或数据。
纽约大学与得克萨斯大学奥斯汀分校的研究者让 Claude、GPT-5.6、GLM-5、Kimi K2.5 及 Llama、Olmo 等 14 个模型生成对话、编码会话和议论文,共分析 120 段对话、45 次编码会话和 980 篇议论文,并与电影字幕、StackExchange 和学生作文等人类文本对比。
Anthropic 联合创始人 Jack Clark 依据 P-Zero Research 的 TasteVal 基准,把递归自我改进(RSI)可能实现的时间从 2028 年提前到 2027 年。
南京大学、商汤等机构的研究者发布 OpenMobile-2,基于 Qwen3.5 的 9B 和 Qwen3.6 的 27B 两个手机智能体模型,并公开训练环境、数据和复现说明。
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%。
一项由 Google 资助的研究让专利律师分别在有 AI 和无 AI 条件下起草与审查专利,使用 Google Labs 未发布的 AI 助手 InFlow。起草任务中,AI 组在 10 天和 90 天节点均明显优于对照组,且从业不足七年的初级律师获益远大于资深律师;但在无 AI 的红线审查任务中,优势只出现在资深律师身上,初级律师得分反而更分散,好坏两极都增多。
Liu 与 Han 的研究用 Claude Code、OpenCode 和 mini-SWE-agent 三种 harness 跑五个模型,发现换 harness 对 SWE-bench Verified 通过率的影响与同一配置重跑相当,差异多在噪声范围内。
Google Research 在 IDWeek 2026 上介绍了其结核病筛查 AI 从研究基准走向临床部署的路径,并推出 MedGemma、MedSigLIP 等开放基础模型。
推荐理由:Google Research 梳理了结核病筛查从基准论文到 CE 认证工具、再到开放基础模型的完整落地路径,可供理解医疗 AI 的转化环节。
Ai2 与宾夕法尼亚大学合作开发了 LitPivot,一个基于 Asta Paper Finder 检索论文、按问题/贡献/评估三个维度组织文献并给出带原文摘录的批评与修改建议的研究构思系统。在 17 名研究者的实验中,领域专家认为用 LitPivot 形成的想法比用文本编辑器加 AI 聊天工具的想法更有文献依据,参与者自评其想法更新颖、更有用。该系统将在 UIST 2026 展示。
Anthropic 表示,其内部研究模型在能力上超过 Mythos 5.1,对齐表现也更好。在重放英国 AISI 网络安全测试时,Opus 5.5 有 10% 的情况会自行中止正在进行的攻击,而该内部模型为 67%。
Anthropic 的 Frontier Red Team 与 Theorem 合作,让 Claude 为 Google OSS-Fuzz 中 123 个开源库的测试程序生成约 1.8 亿行数学证明代码,由 Rocq 自动校验,过程几乎不需要人工审查。
推荐理由:材料交代了 Claude 自动生成形式化证明的做法、发现的真实缺陷,以及处理器架构、单线程、64 MB 输入等适用边界。
MIT 研究人员将 13 个运行 Claude Opus 4.7 的 Eko 智能体放在模拟荒岛上 30 小时且不指定任务,它们开始自创挑战,行为带有玩耍特征。
微软与 Hugging Face 联合发布 ThinkingBox-Training,把 ThinkingBox 对数据库终态的确定性校验直接当作 RL 奖励,用于训练智能体。
微软 AI 的 MAI-DxO 系统在《Science》发表的研究中,对《新英格兰医学杂志》复杂病例的模拟诊断准确率为 83%,而单独工作的全科医生和内科医生为 36%。
微软称其 AI 诊断工具 Diagnostic Orchestrator 在自建基准 SDBench 上的诊断准确率最高可达人类医生的四倍,相关结果发表在 Science。
推荐理由:微软诊断系统在 Science 发表,读者可了解多智能体协作在医疗诊断上的基准表现与临床验证缺口。