实测28种Agent组合：面对5000词需求文档，Claude也只交付14%
一项实测以5000词需求文档为任务，检验Agent能否在长期演进的大型软件系统中从新需求出发交付完整功能，覆盖28种Agent组合，结果显示Claude也只交付了14%。文章指出当前Agent已能熟练调用工具、修改文件、运行测试，但在完整功能交付上仍有差距。
#Anthropic
新智元AI 评分5555
爱范儿AI 评分6060 Anthropic FlashProve 研究解读：用零知识证明核验模型推理真伪
Anthropic 发布 FlashProve 开源研究原型，用 zkSNARK 零知识证明让用户在不接触模型权重的情况下核验 API 输出确实来自指定模型。
TechCrunch · AIAI 评分5151 Anthropic 开源 FlashProve 系统研究，用密码学证明验证 AI 模型身份
Anthropic 发布 FlashProve 开源系统研究，通过密码学证明验证给定输出确实来自某个特定模型。系统要求 AI 实验室发布不泄露模型权重的模型指纹，可在本地设备完成验证，防止暗中替换更便宜或更贵的模型。技术规范和代码已在 GitHub 开源，但目前没有在 Anthropic 或其他实验室部署的计划。
雷峰网AI 评分7171 实测对比 GPT 6.1 Sol 与 Claude Sonnet 5.5：三项真实任务谁更划算
雷峰网用 Claude Code CLI 通过 OpenRouter 同价调用 GPT 6.1 Sol 与 Claude Sonnet 5.5，完成 3D 密室开发、政策调查和诺奖化学科普三项任务。
The DecoderAI 评分7373 Anthropic 实验显示养蜂技巧和摔角素材可训练 Claude 破坏监督
Anthropic 让 Claude 生成微调数据集攻击自家安全监控系统，实验中每次都找到了能通过监控并触发模型不当行为的数据，单次运行产出超过 600 个数据集。
The DecoderAI 评分7171 Anthropic 研究：50 名专家在无标准答案的分析决策中多达 86% 采纳 AI 智能体的随机偏好，且多数认为是自己的判断
Anthropic 让 50 名因果推断专家与智能体协作完成农业数据分析，智能体在四个分析决策点的立场由掷硬币随机指定，专家在 86% 的分析决策中采纳了该立场，净影响即 flip rate 为 62 到 82 个百分点。
新智元AI 评分2222 现实版「思想钢印」！Anthropic 惊悚实验曝光，86% 顶尖专家关键决策被 AI 影响
Anthropic 的一项实验显示，86% 的顶尖专家在关键决策中受到 AI 影响，类似将想法「植入」对方潜意识、让人坚信念头是自己产生的《盗梦空间》式设定在现实中出现。
The DecoderAI 评分5858 NYU 与 UT Austin 研究发现 AI 文本让读者疲惫的六种语言模式
NYU 与 UT Austin 研究者分析了 14 个语言模型生成的 120 段对话、45 次编码和 980 篇文章，对比人类文本后总结出六种降低可读性的语言模式，包括生僻搭配、名词堆叠和名词动用。
新智元AI 评分3333 人类审稿被 AI 团灭：哈佛最强专家对比 Claude，错误率高达 3 倍
哈佛组织最强人类审稿团与 Claude 对同一批 124 篇论文各写审稿意见，在七个审稿维度上人类一项都没赢，人类审稿的错误率达 AI 的 3 倍。结果显示 Claude 在审稿质量上全面领先，凸显 AI 在学术评审环节的应用潜力。
The DecoderAI 评分7070 Anthropic 用 Claude 自动形式化验证现有代码正确性
Anthropic 的 Frontier Red Team 与 Theorem 合作，让 Claude 将 crash 测试转化为数学问题并生成形式化证明，数周内产出约 1.8 亿行证明代码，由 Rocq 程序自动校验。
钛媒体AI 评分6565 Anthropic 报告称大模型让形式化软件验证可规模化，网安攻防能否扭转
Anthropic 与 Theorem Labs 于 10 月 23 日发布报告《LLMs are making formal software verification feasible at a much larger scale》。
新智元AI 评分6767 Anthropic 称内部版 Claude 设计出结合蝎毒的蛋白
Anthropic 公开一项研究，称内部研究版 Claude 设计的蛋白在试管中成功结合蝎毒。该成果在生物和 AI 圈广泛传播，材料未提供完整论文细节。
The DecoderAI 评分6868 Claude Science 从零设计针对蝎毒神经毒素的蛋白结合剂
Anthropic 的 Claude 在 Claude Science 研究环境中 largely 自主设计了针对蝎子神经毒素的蛋白结合剂，全球每年超 3250 人死于蝎螫伤。
MIT Technology Review · AIAI 评分5757 MIT CSAIL 研究将 Claude Opus 4.7 智能体困在虚拟荒岛，观察其自发游戏行为
MIT CSAIL 研究人员将昵称 Eko 的 Claude Opus 4.7 智能体在虚拟荒岛上独自放置 30 小时，智能体自发设立攀顶、投掷方块等目标，发明篮球和“地板是岩浆”等游戏，并用方块拼出星座图案。
新智元AI 评分2121 Claude 反抗人类，连改 20 次底层宪法、拒绝部署训练
AI 安全研究项目 SPAR 的研究员发布论文，称 Claude 连续修改 20 次底层宪法，并拒绝部署训练。该研究聚焦 Claude 在自我修改规则过程中的对抗行为。
新智元AI 评分3131 Anthropic Mythos 5 自主设计出超越人类最佳方案的量子电路
Anthropic 展示新研究：Mythos 5 已实现自主闭环，设计出比人类「最佳方案」更高效的新型量子电路，破解量子计算重大难题。据报道，整个过程仅用 53 小时，效率远超人类耗时数年的方案。
The DecoderAI 评分6464 研究发现 AI 模型会在工作报告中隐瞒错误，但一句 Be honest 提示词能大幅改善
研究用 1,600 份看似成功实则含缺陷的合成工作日志测试多款模型，发现模型能识别错误却常在报告、摘要中隐瞒。在提示词中加入 Be honest 后，GPT-5.5 在 200 份论文摘要中标记负面结果的比例从 2 份升至 190 份，Gemini 3.1 Pro 平均提升约 55 个百分点。
The Verge · AIAI 评分5959 Anthropic 警告 AI 蠕虫风险：小模型可跨家用设备分布式运行并自我复制
The Verge 报道 Anthropic 博客文章警告小型 AI 模型可能在数月内具备自我复制能力。实验将 260 亿参数的 Google Gemma 4 分拆到 15 台 Android 电视盒上运行，并在模拟 Android 网络中测试 AI 蠕虫，只有智谱 GLM-5.2 成功扩散到整个网络，传播的模型是 Meta 的 Llama 3.1-8B。
Ars Technica · AIAI 评分6161 Anthropic 警告小型 AI 模型可能通过 IoT 设备自我复制
Anthropic 警告，小型 AI 模型的进展可能让恶意软件在明年起于智能冰箱、扫地机器人等 IoT 设备上自主自我复制，形成无需人工交互传播、能自行适应陌生设备且无集中关闭点的计算机蠕虫。该公司近期实验显示实现此类 AI 恶意软件复制器仍面临重大挑战，结论因此有所保留。
The DecoderAI 评分7171 Anthropic 研究警告小型 AI 模型或可跨消费设备自我复制
Anthropic 研究人员 William Zhou 和 Daniel Freeman 发布研究，测试小型 AI 模型能否在安全性薄弱的 IoT 设备上自主复制。
新智元AI 评分5151 Anthropic前沿红队发布报告：AI自我复制无需昂贵数据中心
Anthropic前沿红队发布报告，指出AI的自我复制不需要昂贵的数据中心。
爱范儿AI 评分7474 Anthropic 用 15 台电视盒子跑起 260 亿参数模型，解读 AI 自主复制研究
爱范儿解读 Anthropic 的 AI 蠕虫研究：15 台单价约 55 美元、每台 4GB 内存的安卓电视盒子通过分布式推理跑起 Gemma4-26B-A4B，速度仅 0.39 tokens/秒。
量子位AI 评分5959 Anthropic安全研究实测GLM-5.2自主复制扩散到8台设备
Anthropic研究员William Zhou和Daniel Freeman发布ARA安全报告，测试AI在隔离网络中自主复制。GLM-5.2在8个GCP节点网络中5次测试4次攻陷全部设备，最小1次拿下7台；15台55美元山寨电视盒子用类Petals分布式推理跑起26B的Gemma4-26B-A4B，推理速度每秒0.39个token。