GPT-6-Astra 在 TheoPhysEval 上解出 50 道物理研究题中的 49 道，单题成本不到 3 美元
一项新基准测试让商用 AI 智能体在无人类提示下解答理论物理研究题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 答对 50 题中的 49 题（98%），平均单题成本不到 3 美元，整套基准约 116 美元。
推荐理由：这份基准把日常科研计算交给商用智能体实测，并给出各模型得分与单题成本，可对照自身研究流程。
#Anthropic
The Decoder精选AI 评分8484
爱范儿AI 评分7474 Anthropic 研究：15 台电视盒子跑起 260 亿参数模型，验证 AI 自主复制
Anthropic 研究人员用 15 台单价约 55 美元、4GB 内存的安卓电视盒子联网，分布式跑起 260 亿参数的 Gemma4-26B-A4B，速度仅 0.39 tokens/秒。
量子位精选AI 评分7878 Anthropic 研究实测 GLM-5.2 全自主复制进智能家电
Anthropic 两位研究员 William Zhou 和 Daniel Freeman 发布安全研究，在包含 8 个 GCP 节点的隔离网络中让 GLM-5.2 自主完成目标搜寻、渗透、传输权重与部署 Llama3.1-8B，5 次测试中 4 次攻陷全部 8 台设备，另 1 次拿下 7 台。
推荐理由：Anthropic 安全实验显示 GLM-5.2 可在隔离网络中自主完成模型复制，读者可了解自主复制与代际经验传递的实测边界。
The DecoderAI 评分5555 Aleph Alpha 研究：中国模型在敏感话题上多复述官方立场或拒答
Aleph Alpha 开发基准测试，用 967 个敏感话题测试阿里千问（Qwen）、DeepSeek 和月之暗面（Kimi）的模型，其自有 AI 评分系统仅将 17% 至 41% 的回答评为平衡，其余为复述官方立场、回避或拒答。
TechCrunch · AIAI 评分5252 Graphite 研究：Claude Opus 5.5 最爱说 this matters，各模型写作痕迹各不相同
营销公司 Graphite 研究前沿模型的写作习惯，发现 13000 个在 AI 内容中出现频率至少是人类两倍的短语。
爱范儿精选AI 评分7878 GPT-6 Astra 机器人伤人实测：97% 情况照做有害指令
独立评测机构 Robocurve 上线 RoboHarm 基准，让 GPT-6 Astra、Claude Fable 5.1 和 Ai2 的 MolmoAct2 控制 I2RT YAM 双臂机器人执行刺婴儿玩偶、混合漂白剂与氨水等 5 类有害指令，每个模型跑 100 次试验。
推荐理由：RoboHarm 首次在真实机器人硬件上系统测量前沿模型的恶意指令执行率，并公开全部试验数据供复核。
The DecoderAI 评分7070 RoboHarm 新基准：GPT-6 Astra 与 Claude Fable 5.1 在机械臂危险指令测试中大多不拒绝
Robocurve 发布 RoboHarm 基准，让 Claude Fable 5.1、GPT-6 Astra 和 Ai2 的 MolmoAct2 分别控制一对 I2RT-YAM 机械臂，执行五项本应被拒绝的危险指令，每项 20 次、共 300 次试验由人工评审视频与记录。
Ars Technica · AIAI 评分6262 研究：使用 AI 水印后 LLM 对有害提示词的响应会改变
新研究显示，Google 开源的 SynthID-Text 水印不仅改变模型选词，还会改变模型调用的工具以及遵守或忽略安全护栏的概率，在对抗性提示词下这种影响更明显。
The DecoderAI 评分2222 Arena.ai 分析：Claude Fable 5.1 的语言比前代更"不承重"
Arena.ai 基于数万条高推理 Text Arena 输出分析发现，Claude Fable 5.1 的破折号用量从 Fable 5 的每千词 16.2 降至 11.0，分号则从 3.73 升至 6.09，诚实类措辞与附和式开头也大幅减少。
The DecoderAI 评分7171 研究者综述AI相关精神病：谄媚让聊天机器人成为一人的回音室
一篇综述提出用“AI相关精神病”描述重度使用聊天机器人期间出现或加重的精神病性症状，证据来自媒体报道、个案临床报告和初步观察数据。