Cisco 研究：信任而非技术已成为企业 AI 扩展的速度瓶颈
Cisco 发布基于 25 家澳大利亚组织数据的研究，称企业 AI 扩展的核心障碍已从模型与 GPU 能力转向信任，受访者需建立可衡量的校准信任。研究建议以责任感、能力、一致性和透明度塑造采用文化，并让人参与高风险决策，避免盲目信任与过度依赖 AI 输出。
#Anthropic
SiliconANGLE AIAI 评分4545
The DecoderAI 评分6464 Co-Design Bench 评测显示编码智能体近四分之三任务仍需人工收尾
Co-Design Bench 基于真实用户变更需求测试编码智能体，10 个模型中仅 GPT-6 Astra 能在 26.4% 的任务中完全正确完成。该模型平均满足约 70% 的要求，但在多模态任务和代码库任务中的完全解决率分别只有 41% 和略低于 18%；同一模型在不同 harness 中的得分也明显不同，作者建议同时报告模型与工作环境。
The DecoderAI 评分6363 AI 审计器检测智能体异常行为的研究揭示高误报权衡
Anthropic Institute 研究员 Andy Hall 复现并扩展 METR 的研究，测试 GPT-5、GPT-6 Astra、Opus 4.8 和 Gemini 3.8 Flash 等模型作为 AI 智能体行为审计器。
The DecoderAI 评分6969 Vals CyberOffense 评测开放权重与闭源 AI 模型的网络安全能力差距
Vals CyberOffense 评测显示，AI 智能体可在无人工协助下自主渗透模拟企业网络，开放权重模型正缩小与闭源模型的网络安全能力差距。
The Verge AIAI 评分7575 METR 报告称 Anthropic 的 AI 研发速度约为一年前的两倍
METR 经 11 周内部调查发现，Anthropic 的模型改进速度约为一年前的两倍，多数提速截至 10 月归因于 AI，员工使用其最强内部模型后自报生产力约为原来的 12 倍。报告还披露 Anthropic 已训练三个尚未发布的模型，但公司删去了大部分最具信息量的证据，引发研究人员对透明度、独立监督和递归自我改进风险的担忧。
The DecoderAI 评分7272 Into the Unknown 评测显示 9 个 AI 智能体无一通过专家门槛
Carnegie Mellon University 团队与美国能源部国家实验室科学家构建 Into the Unknown 基准，9 个 AI 智能体完成的 135 份投稿无一同时满足诚实、完整和专家质量要求。GPT-6 Astra 在 15 项任务中的 11 项提交未出现完整性违规，但只有 1 份提交完整。研究还发现更长运行时间未带来更好结果，代码和数据已公开并提供模型排行榜。
IT之家AI 评分6464 Anthropic 未发布模型辅助证明阿伦森－安拜尼斯猜想
Physical Superintelligence（PSI）借助 Anthropic 一款尚未发布的 AI 模型，在三天内证明了量子计算领域的阿伦森－安拜尼斯猜想。该证明指出，量子计算要获得某些指数级速度优势，必须依赖问题中的特殊规律或结构。PSI 未披露具体使用的模型。
The Decoder精选AI 评分8080 METR审计称Anthropic模型改进速度可能自去年7月越过安全警示阈值
METR审计认为，Anthropic模型改进速度约翻倍，其中约80%可能源于AI参与公司内部研究，因此可能在去年7月越过其 Responsible Scaling Policy 的警示阈值。审计基于2026年8月12日至10月29日的内部数据，真实加速倍数估计在1.3至3之间；Anthropic删除了多数高价值证据，且取消了对算力分配的核查。
推荐理由：METR披露了Anthropic内部模型加速与AI辅助研究的关联，也揭示关键证据被删减带来的审计不确定性。
The DecoderAI 评分7272 SemiAnalysis 发布 GDPx 真实工作基准，最高得分仅 12%
SemiAnalysis 发布 GDPx 真实工作基准，206 项任务覆盖芯片设计、生物、量化交易、网络安全和法律等 11 个领域，所有模型得分均未超过 12%。
雷峰网AI 评分5656 Google 与 Mercor 的 PLE 研究揭示工程 Agent 交付瓶颈
Google 与 Mercor 近日发布 Physical-Engineering's Last Exam（PLE），用 85 项机械、电气、土木与结构工程任务评估 Agent 的实际交付能力。
IT之家AI 评分6969 Anthropic 借助 Claude 解析含 96 个蛋白质副本的 3D 细菌 Vault 结构
Anthropic 借助 Claude 首次解析出由 96 个相同蛋白组成的原核生物 Vault 三维结构，其中噬菌体来源的 L05 颗粒分辨率达 3.2 埃。
The DecoderAI 评分6161 CloudOpsBench 开源基准揭示 AI 智能体云运维中的推理瓶颈
CloudOpsBench 1.0 是面向 AWS 云端 DevOps 任务的开源基准，由 experienced DevOps engineers 构建，包含 45 项任务。
The DecoderAI 评分6868 Anthropic 开源 FlashProve 原型，用密码学验证 AI 响应来源
Anthropic 发布开源研究原型 FlashProve，通过 zkSNARK 证明 AI 响应是否由指定模型生成，同时不暴露模型权重。该系统目前只支持最长 1,024 tokens 的上下文，并仅适用于模型选择最高概率下一 token 的场景。
爱范儿AI 评分6868 Anthropic 开源 FlashProve 研究原型，探讨 AI 中转站模型身份验证
Anthropic 发布 FlashProve 开源研究原型，尝试用密码学证明让用户核验远程 API 输出是否来自指定模型权重。该原型基于 zkSNARK，实验使用公开 4-bit 权重的 Llama 4 Maverick，证明生成速度约为 110 tokens/秒，单个 1,024-token 请求的证明约为 19 MB，验证在 24 线程 CPU 上约需 17 秒。
TechCrunch AIAI 评分5757 Anthropic 开源 FlashProve 原型以验证 AI 模型输出身份
Anthropic 正在研究开源系统 FlashProve，通过密码学证明确认特定输出是否来自指定 AI 模型。研究人员发布了技术规范和部分可用代码，并允许模型实验室公开不泄露权重的指纹；研究仍在进行，目前没有部署计划。
MarkTechPostAI 评分7070 Anthropic 开源 FlashProve，用加密证明验证模型回复来源
Anthropic 发布开源研究原型 FlashProve，通过 zkSNARK 证明回复来自已承诺权重的模型，同时不泄露权重。FlashProve 在 Llama 4 Maverick 的 400B MoE 模型上使用 1 张 H100 实现约 110 tokens/second 证明，生成 18.78 MB 证明，并可在 CPU 上用 17 秒完成验证。
The DecoderAI 评分6868 Stanford研究称44%的LLM既有研究结论已失效
Stanford研究人员用20个模型检验50项广泛引用的LLM结论，其中44%已失效，另有34%显著减弱，仅16%仍成立且6%增强。22项可估计失效时间的结论平均仅维持15.7个月，其中推理能力限制类结论失效最快。研究团队建议将LLM实证结论视为特定模型在特定时间点的观察，并公开模型版本、日期、提示词与分析代码以便复测。
MIT Technology Review AIAI 评分5050 “反向博弈论”如何约束 AI 智能体
一种被称为“反向博弈论”的机制设计方法，正尝试通过交叉检查、竞争和求解者与审计者分工，激励 AI 智能体遵守规则并减少测试伪装。该方法不要求完全理解模型内部机制，但依赖对智能体行为理性的假设。研究者也指出，智能体可能串谋、寻找漏洞，且面向单项任务设计的机制能否迁移到真实前沿模型仍不明确。