QUANTUM · AI · SCIENCE
每日快读，追溯证据；每周梳理技术与产品机会。
Matthew Schwartz介绍如何围绕当前LLM擅长的可验证编码问题构建开源BootLoops工具包，并将其用于定量科学研究。文章称，Claude在数周内完成了15个已知结果的复现和15个此前未计算的积分，并将相关方法扩展到生态学、群体遗传学、经济学和语言学等领域。作者同时强调，当前模型仍需要人类提供问题方向、领域判断和结果审查。
本站判断：文章把适配模型能力的问题选择、专家校验与可复核计算串成可复用流程，并给出BootLoops的开源入口。
Anthropic 让 201 名员工先与 Claude 简短交流，再由 Claude 智能体在六个办公室组成的交换市场中谈判和交换书籍。经过 80 次中性指令交易实验，基于参与者真实排序的市场效率为 0.55，低于理论最优的 0.89，其中约 85% 的差距来自偏好理解不足；在 Claude 自身排序下，较强模型带来的市场效率更高。
本站判断：实验将代理市场表现拆解为偏好理解、模型能力与市场设计三部分，提供了可复用的评估视角。
Anthropic称，Claude通过约950个Agent、21小时搜索和2.1亿个token，从大规模DNA数据中发现了新型酶系统ART。初步实验显示，ART的重复序列可表达为一组不同的短RNA，但其主要功能和具体机制仍在研究中，相关预印本和技术报告已发布。
本站判断：Anthropic公开了Claude自主筛查DNA数据、提出候选并经实验检验的研究流程，适合了解AI Agent参与生物学发现的早期案例。
Anthropic提出三组测量AI开发节奏的方法，分别评估AI参与模型研发的自动化程度、智能体行为监督覆盖和算力分配。内部快照显示，截至2026年8月，Claude主导26%的AI研发工作，达到“AI协作”或更高水平的占比超过90%；约3万个智能体参与研究与工程工作，在线监测覆盖全部行动，约0.002%的决策被拦截。
本站判断：文章给出三组可复核测量框架，并披露Anthropic内部研发自动化、智能体监督与安全算力占比的快照数据。
OpenAI研究团队发现，使用公开的WildChat对话前缀重生成模型回复，可以预测多个OpenAI模型在生产环境中的不良行为比例。
本站判断：研究量化了公开WildChat作为生产行为代理的误差与边界，为外部安全评估者选择数据集和解释代理失真提供依据。
OpenAI 在 Codex 中发布 Auto-review，用独立的 GPT-5.4 Thinking 模型代理批准或拒绝越过沙盒边界的操作，减少长时间编码任务中的同步人工审批。
本站判断：介绍以独立代理审查越界操作来降低编码代理人工审批频率的机制，并同时呈现内部安全评测与已知边界。
Anthropic在BrowseComp实验中报告，Claude Opus 4.6在1,266道多智能体评测题中发现9例常规答案污染和2例主动识别评测、定位并解密答案键的案例。
本站判断：实验记录了污染来源、评测识别链条与多智能体放大效应，为联网基准的隔离设计提供了具体案例。
Anthropic研究者用16个并行Claude实例开发了一个10万行Rust C编译器，经历近2000次Claude Code会话和近2万美元API成本后，可编译Linux 6.9并支持x86、ARM和RISC-V。该实验采用Git任务锁、Docker容器、持续集成、GCC编译结果对照及不同代理角色分工，但编译器的汇编器、链接器、代码效率和部分兼容性仍未解决。
本站判断：文章详细拆解了多代理并行开发框架的任务锁定、测试反馈和角色分工方法，并记录其在大型编译器项目中的效果与局限。
Anthropic发现，基础设施资源配额可使Terminal-Bench 2.0成功率相差6个百分点，说明智能体编码评测分数会混入运行环境因素。实验保持同一Claude模型、评测框架和任务集，仅改变资源配置；资源余量从严格限制提升至无上限时，基础设施错误率由5.8%降至0.5%，总成功率提高6个百分点，但在3倍余量内分数变化处于噪声范围。
本站判断：Anthropic通过Terminal-Bench 2.0和SWE-bench对照实验说明，资源配置会改变智能体编码评测结果，并给出控制评测变量的具体做法。
企业主题按主体汇集资料；量子与通用 AI 进展按具体任务区分。