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。
Anthropic 发布 Claude Haiku 5.5，定位为面向高吞吐、成本敏感任务的小模型。官方称其平均运行成本较 Haiku 4.5 低约75%，并提供可调 effort 设置；模型已在 Claude Platform、Amazon Web Services、Google Cloud 和 Microsoft Azure 上提供。
本站判断：提供可调 effort、基准与定价对照，帮助开发者评估其在高吞吐代理任务中的速度、成本和能力取舍。
Anthropic启动Claude Frontier Academy，计划投入1亿美元，在2027年底前培养1万名Frontier Deployed Engineers。
本站判断：原文给出了课程阶段、认证、真实企业实践和首批合作方，便于判断该人才培养模式如何落地。
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。
Google发布Gemini 4 Argon，定位为面向复杂长流程的编程、企业知识工作和网络安全防御模型，输出token上限扩展至1M。Google称该模型在多个软件工程、企业工作流、视频理解和网络安全基准中达到领先或并列领先水平，并已在内部编程、代码迁移和量子算法优化等任务中使用。
本站判断：同时给出多项基准、1M输出上限和分阶段开放安排，便于评估其能力边界与实际可用性。
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 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。
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。
Anthropic 介绍如何通过环境边界、模型防护和外部内容控制，限制 Claude 在 claude.ai、Claude Code 与 Claude Cowork 中的潜在影响范围。文章结合 93% 权限提示批准率、84% 权限提示减少，以及恶意配置、提示注入和白名单外传等案例，强调环境层隔离、用户监督能力匹配和成熟安全组件的重要性。
本站判断：文章以三款 Claude 产品的隔离架构和安全事件为主线，给出可迁移的环境边界、权限分层与代理安全设计原则。
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 为 Claude Code 推出 auto mode，用模型分类器替代人工批准操作，并通过输入层提示注入探测和输出层分类器检查高风险行为。分类器由 Sonnet 4.6 运行，先进行单令牌快速过滤，再对可疑操作进行推理复核；其完整流程将真实流量误报率从8.5%降至0.4%，但真实过度主动操作的漏报率为17%，合成数据外泄任务的漏报率为5.7%。
本站判断：Anthropic 拆解了 Claude Code auto mode 的双层安全架构与评估取舍，有助于理解模型分类器如何减少权限确认及其残余风险。
Anthropic Labs 团队提出由规划器、生成器和评估器组成的 Claude 多智能体 harness，用于让模型在多小时的自主开发中生成更完整的应用。该方法结合结构化交接、独立评估和 Playwright MCP 页面检查，并应用于前端设计与全栈编码。
本站判断：文章给出规划器、生成器、评估器与结构化交接的组合方式，并用前端设计和全栈应用实验说明如何权衡长程开发质量、时延与成本。
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。