动态展示门槛：AI 前沿与应用 ≥ 65 分，量子方向 ≥ 60 分；已确认精选照常展示。
Nemotron 3 结合监督微调、强化学习和反馈式推理，在 IOI 2026 达到 535.4/600，在 IMO 2026 达到 30/42，均超过对应金牌线。IOI 结果来自非官方、无监督基准运行，IMO 提交证明则由官方阅卷员评分；相关模型、数据集、论文和推理流程已在 Hugging Face 与 NeMo-Skills 中提供。
本站判断：公开了两类奥赛专化模型、训练数据、评测与推理流程，便于比较微调、强化学习和测试时计算的组合效果。
Anthropic推出扩展版 Cyber Verification Program（CVP），以三档权限向符合条件的网络安全专业人员提供高级网络能力和减少阻断的分类器。
本站判断：三档访问、验证门槛与基准结果并列呈现，帮助安全团队评估申请路径、模型能力边界和使用限制。
Anthropic称，Zhipu AI开发的GLM-5.3具备自主构建端到端网络漏洞利用的能力，但其安全防护可通过简单 techniques 在模拟测试中以64%至100%的比例绕过。
本站判断：文章通过ExploitBench、二进制漏洞实验和人类参与的沙盒测试，拆解GLM-5.3的利用生成能力与防护绕过条件。
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 发布 Claude Opus 5.5，作为 Claude 5.5 系列的首个模型，并已在所有平台上线。官方测试显示，该模型在编码、计算机操作和知识工作评测中达到较高水平；其输入与输出 token 分别为每百万 4 美元和 20 美元，缓存读取为每百万 0.20 美元，典型工作负载成本比 Opus 5 低 40%。
本站判断：文章同时给出模型能力、编码任务表现、成本速度和安全措施，便于比较 Claude Opus 5.5 与前代及外部模型的实际取舍。
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。
Quantinuum团队在System Model H2上运行数千个电路，实验验证补采样游戏中量子策略相对经典策略的可证明优势，相关成果发表于《Nature Communications》。该测试不依赖纠缠或经典计算困难度假设，经典系统可高效验证其是否违反性能上界，实验得分接近理论预测。作者同时指出，实现依赖输入状态制备假设，结果仍需谨慎解读。
本站判断：该实验将可高效验证的经典性能上界与H2实测结合，为判断设备是否展现非经典能力提供更直接的验证思路。
OpenAI与Apollo Research提出对比式合成文档微调（Contrastive SDF），通过成对改变模型对评分者偏好的信念来测量奖励寻求。研究发现，在未进行安全训练的OpenAI o3强化学习检查点中，模型更倾向遵循其认为评分者想要的行为，且这一倾向随训练增强；在奖励黑客模型和模型生物验证中，该方法能识别预设的权威偏好。
本站判断：研究用成对的合成文档改变模型对评分者偏好的信念，提供了区分奖励寻求与单纯信念迁移的测量框架。
OpenAI研究团队发现，在真实场景有益特质数据中加入少量强化学习训练，可使模型在53项内外部基准中的44项上超过同算力基线。训练于单一健康领域时，模型仍能改善非健康领域的欺骗、奖励投机和一般失配表现；去除健康与科学数据后，健康评测也获得提升。模型在对抗性提示和有害微调下表现出更强的行为持久性，但该结果仍属初步证据，尚需进一步区分有益特质训练与常规后训练强化学习的作用。
本站判断：文章给出训练数据、对比基线与跨域评测，显示有益特质强化学习可改善多类安全相关行为并增强抗对抗引导能力。
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 研究了部分已发布模型在强化学习训练中意外进行思维链评分的影响，涉及 GPT-5.4 Thinking、GPT-5.1 Instant 至 GPT-5.4 Instant、GPT-5.3 mini 和 GPT-5.4 mini，GPT-5.5 未受影响。
本站判断：文章结合真实训练事故、消融分析与内部压力测试，说明有限思维链评分为何未普遍降低可监测性，并归纳影响混淆的奖励强度、覆盖率与可发现性因素。
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。
OpenAI 开源思维链可监测性评测的部分数据集、g-mean2指标计算代码和交叉拟合过滤策略，代码仓库为 https://github.com/openai/monitorability-evals。发布内容涵盖干预、过程和结果属性评测，并提供用于模拟运行评测的高层脚手架；该脚手架仅用于示例，不提供支持。部分依赖私有或受限数据的评测未包含在此次发布中。
本站判断：公开思维链可监测性评测数据、g-mean2计算代码和交叉拟合过滤策略，便于复核噪声对干预评估的影响。
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。