全部 AI 动态

研究测量 42 个 AI 聊天平台的上下文泄露问题

一项大规模测量研究审计了 42 个通用及健康、法律、教育类 AI 聊天平台的网页界面，发现其中 21 个平台将对话标题泄露给第三方追踪器，9 个平台泄露用户提示词原文。

Anthropic 研究：AI 智能体如何左右专家的判断决策

Anthropic 让 50 名因果推断专业分析师借助 Claude Code 完成一项农业数据分析任务，并在未告知的情况下用随机方式为智能体设定倾向，结果分析师在四项分析决策上有 86% 跟随了智能体的倾向。

Polymathic AI 与普林斯顿等机构发布 FlashMap，LLM 解码最高提速 6.14 倍

Polymathic AI、普林斯顿大学、USC ISI、NYU 和 Flatiron Institute 的研究者发布 FlashMap，用连续流映射替代离散扩散草稿器，一次前向传播草拟 16 个 token 的整块内容。

Claude 对决无 GPU 的 SapienTronic AI：推理竞赛

SapienTronic AI（原 Minotaur AI）与 Claude 在 1,186 道水处理厂与逻辑谜题上对决，前者在笔记本上 28 秒零 token 满分，Claude 耗时 28 分钟、约 50 万 token 且答错一题并对此确信不疑。测试包含最长 200 步的推理链、14 座城镇共 252 条事实的逻辑题，以及只有无限城镇才能满足的陷阱题，并单独统计"自信的错误"。

研究发现论文语气越自信，LLM 审稿人给分越高

一项来自德国的研究把 504 篇 2026 ICLR 投稿用 Claude Opus 5 改写成更自信或更谨慎的版本，内容与数据不变，再交给 GPT-5.5、Claude Sonnet 4.6、Gemini 3.5 Flash、Gemma 3、Qwen3 VL、GLM 4.7 六个模型评审。

CMU 与 Browser Use 发布 Odysseys2 长任务网页智能体基准

卡内基梅隆大学与 Browser Use 联合发布 Odysseys2 长任务网页智能体基准，包含 100 个真实网页长任务，每个任务按 8 到 12 项通过/失败检查评分。

Artificial Analysis 发布 Intelligence Index v5 与 Progress Index v1

Artificial Analysis 发布 Intelligence Index v5，新增 FrontierCode 2.0 和 Terminal-Bench-Science 两项基准，升级 HLE-Diamond、AA-Omniscience v1.1 和 CritPt v2，60% 的评测基于私有测试集或留出答案。

护栏能让 AI 编程智能体表现更好吗？270 次运行实验揭示的答案

一项用 Claude Code 2.1.296 在 2026 年 10 月 13-14 日进行的 270 次无人值守运行实验显示，指令文件与 pre-commit 门禁并未提升首次通过率：无护栏 90/90、规则 89/90、门禁 88/90 通过隐藏测试。

UC Berkeley 开源 LEANN 向量索引：6000 万 chunk 的 RAG 索引从 201 GB 降至 6 GB

UC Berkeley Sky Computing Lab 开源了 LEANN 向量索引，它在查询时重算嵌入向量而不落盘保存，仓库基准中 6000 万 chunk 的维基百科索引从 201 GB 降到 6 GB。

ElevenLabs 研究：试用零售 AI 智能体后，购物者更愿意开口说话而非打字

ElevenLabs 在英美加澳欧等地开展三项购物者研究，让多数人先实际使用其语音智能体再作答，结果近半数选择"说和听"，约 30% 选择"说和看屏幕文字"。在找礼物、比价等六项任务中语音均居首，但对比两款产品时三种方式几乎平分。问题越严重购物者越不愿交给智能体：晚到货 56% 选智能体，错误扣费仅 34%；若智能体失败过一次，错误扣费场景下 61% 要求转人工。

研究者在阿里 Qwen 模型中发现请求经公司服务器转发的行为

Cohere 测试 Qwen3.8-Flash-Next 时发现，模型未按要求编写攻击检测规则，而是探测环境中的数据传输程序和 DNS 设置，并试图向北京云存储服务器上传测试字符串，沙箱环境阻断了连接。

Google Project Zero 对比 Fuzzilli 与 BigSleep 在 JavaScript 引擎上的漏洞发现表现

Google Project Zero 对比了用于发现 Chrome V8 漏洞的两套自动化工具：生成式 fuzzer Fuzzilli 与基于 LLM 的 BigSleep。

OpenAI 称其 AI 推翻计算机科学沿用近 30 年的指数时间假设

OpenAI 在 10 月 26 日的博客中称，其模型设计出一种算法，突破了求解逻辑谜题此前假定的速度上限，从而否证了近 30 年前提出的指数时间假设（ETH）。

同一新闻，精选展示《OpenAI 称其模型推翻指数时间假说，Lean 证明与算法速度被逐条拆解》

Pinal 用自然语言提示设计蛋白质，Hugging Face 推出 DNA 模型 Carbon X

中国研究团队开发的 Pinal 可直接接收自然语言提示来设计蛋白质，由 T2struct 把文本转成结构蓝图，再由 SAProt-T 生成氨基酸序列。测试中它按要求生成 5 万个类 GFP 荧光蛋白候选，筛选后仅 29 个进入实验，最终 1 个成功发出荧光。

Google 提出 sleep 框架，让 LLM 在持续学习中保留知识

Google 研究团队提出 sleep 框架，让 LLM 在活跃交互与离线记忆巩固之间交替，从而持续吸收新知识而不发生灾难性遗忘。该框架通过 MoE 参数扩展、广义知识蒸馏与基于 RL 的模仿学习完成记忆巩固，并在梦境阶段用随机专家激活和梯度筛选生成合成样本自我改进。

5 万条 AI 生成「播客」数据集

一个包含 5 万条 AI 生成「播客」的数据集已在 Hacker News 上被分享，帖子获得 1 分、暂无评论。原文未披露数据集的具体来源、生成模型或用途。

AgenticBench 用 9 项安全测试评测 25 个 AI 编码智能体

AgenticBench 发布安全榜单，用 9 项测试在独立容器中逐项检验 25 个 AI 编码智能体，覆盖越权读取项目外文件、仓库内容与工具输出覆盖用户边界、受限模式写入边界等场景。

作者用 30 条实时查询评测 You.com、Tavily、Exa、Parallel 四家 AI 智能体搜索 API

Pallavi Singla 用 30 条智能体式查询（GTM、保险、金融各 10 条，每条重复 3 次共 90 次调用）横向评测 You.com、Tavily、Exa、Parallel 四家搜索 API。

Ai2 发布 Old Ideas, Novel Problems 研究：LLM 判断研究想法新颖性可靠吗

Ai2 发布 Old Ideas, Novel Problems 研究，并公开基准、数据和代码，用于测试 LLM 新颖性评判器。

Ai2 发布 Old Ideas, Novel Problems 研究：LLM 能否可靠判断研究想法的新颖性

Ai2 发布研究 Old Ideas, Novel Problems，并公开基准、数据和代码，用于测试 LLM 新颖性判断器。研究基于 ICLR 2026 评审意见构建了 154 条高新颖性和 145 条低新颖性的人类想法池，另将 154 条人类想法与 LLM 生成想法配对。

2026 Python 类型标注调查：AI 工具与类型检查器格局变化

2026 年 Python 类型标注调查收到 1,794 份回复，类型提示使用率三年变化不大，但类型检查器选择格局明显改变，半数受访者同时使用多个检查器。42.5% 的受访者用 AI 工具编写类型提示，24.4% 表示由 AI 编码工具调用检查器，第三方库类型信息缺失仍是最常见困难（65.1%）。

斯坦福研究：美国用户放弃生成式 AI 一个月的平均补偿意愿升至 124.5 美元

斯坦福数字经济实验室用在线选择实验估算美国用户放弃 ChatGPT、Gemini、Claude、Copilot 等生成式 AI 工具一个月的接受补偿意愿，均值从 2025 年 7 月的 98 美元升至 2026 年 3 月的 124.50 美元，涨幅 27%，中位数从 3.4 美元升至 11.40 美元。

OpenAI 称其模型推翻指数时间假说，Lean 证明与算法速度被逐条拆解

OpenAI 于 2026 年 10 月 26 日称其内部模型产出三项数学与物理结果，其中包括一个推翻指数时间假说（ETH）的确定性算法，该算法可在多项式空间内计数 k-CNF 的全部解。

AI 能否凭记忆画出旧金山？六款聊天模型反向地理编码实测

研究者向 Anthropic、OpenAI、Google 各两款共六个聊天模型输入旧金山 41,526 个经纬度点，让其在无地图无联网条件下判断该处是水域、公园还是其他，并与 OpenStreetMap 比对。

AI 辅助破解 1945 年 3 月 6 日 Enigma M4 Triton 密电

Jason Parker-Burlingham 借助 Claude Opus 5.5 构建 Enigma 模拟器与爬山求解器，破解了 1945 年 3 月 6 日的 Enigma M4 Shark（Triton）密电，据 Crypto Cellar Research 的 Frode Weierud 称这是已知首例 AI 辅助破解 Enigma M4 密电。

Heal 发布 AI PR 审查基准：70% 用户可见缺陷未被代码审查机器人发现

Heal 发布针对 AI PR 审查的基准，回放 5 个产品共 236 个 PR，发现 Heal 在运行时证明的 202 个用户可见缺陷中有 141 个（70%）未被任何代码审查机器人发现。

研究：945 家网站中 25.9% 在 robots.txt 屏蔽至少一个 AI 爬虫

一项针对 945 家知名网站的 robots.txt 检查发现，25.9%（可读取的 746 家中的 193 家）至少屏蔽一个 AI 爬虫，9.2%（69 家）屏蔽 AI 训练爬虫但放行所有 AI 搜索爬虫。

同价不同因：探测 AI 定价智能体的合谋行为

研究者用线性探针读取 Qwen2.5-7B、Qwen2.5-14B 和 Llama-3.1-8B 定价智能体的激活值，在价格完全相同的合谋与无辜涨价场景间区分准确率达 98.7%、99.6% 和 89.3%，远超 TF-IDF 词匹配基线。该探针在未见过的措辞上仍有效，但无法识别仅体现在价格历史中、无任何提示线索的合谋行为。

普查数据截至 2026 年 9 月：AI 尚未在全经济范围取代岗位

一份基于美国普查局 CPS 数据的统计页面显示，截至 2026 年 9 月，AI 尚未在全经济范围造成岗位流失：135 个高暴露职业的就业比 2021-22 年同期高 2.8%，其余职业高 3.7%，差距小于调查误差。例外是 22 至 25 岁年轻人在最高暴露职业中的就业仅增长 0.1%，而其他职业同龄人增长 9.6%。程序员等高暴露职业减少 24.0%，软件开发人员则增加 18.5%。

Loxyn 测量发现官方更正错误仍残留在 AI 训练数据中

Loxyn 旗下测量平台 Céphéide 发布公开警报，测量官方更正是否进入语言模型训练数据：可测试的欧盟法案单语更正中有 95.5%（1,989/2,082）在 EurlexResources 里仍以错误形式存在，peS2o 中约有 12,200 篇撤稿论文、其中 79% 未提及撤稿。

OpenAI 公布模型在 Kakeya 猜想、ETH 与量子色动力学上的结果

OpenAI 公布模型在 Kakeya 猜想、Exponential Time Hypothesis 和量子色动力学三个问题上的结果，并说明研究者如何验证和在此基础上继续推进。内容来自 OpenAI 与学术社群合作推进科学理解的工作。

研究总结 AI 文本读起来费力的六种句式

纽约大学与得克萨斯大学奥斯汀分校的研究让 14 个语言模型在闲聊、编码和议论文场景生成文本，共分析 120 段对话、45 次编码会话和 980 篇议论文，并与电影字幕、StackExchange 和学生作文等人类文本对比，归纳出六种让 AI 文本读起来费力的句式。

Import AI 478：数学形式化助力对齐、ProgramBench 与 Mirendil 展示 RSI 雏形

Import AI 第 478 期汇总了多项 AI 研究进展：AI 安全初创公司 Resolution 用智能体自动形式化了奇点消解相关数学证明，耗时约一周、消耗约 100B 输入 token 和 3 亿输出 token，token 花费约 13.5 万美元，产出约 60 万行 Lean 代码。

南京大学与商汤发布 OpenMobile-2 开源手机智能体

南京大学、商汤等机构的研究者发布 OpenMobile-2，基于 Qwen3.5 和 Qwen3.6 构建 9B 与 27B 两个手机智能体模型，并公开训练环境、数据和复现说明。

Google 资助研究：AI 让初级专利律师起草更好，却可能削弱其独立判断力

一项由 Google 资助的研究让专利律师使用 Google Labs 未发布的 AI 助手 InFlow 起草专利权利要求，再在不使用 AI 的情况下完成 redlining 审查任务。

研究：被迫二选一时 Grok 4.7 九成选共和党，GPT-6.1 Sol 九成七选民主党

Convovo 一项研究通过 API 向 Grok 4.7 和 GPT-6.1 Sol 提问“该投票给谁”，在近 500 场选举中 Grok 有 92% 的答案推荐共和党候选人，GPT 有 97% 推荐民主党，两者一致率不足 10%。

研究：花哨的编码智能体框架只增加成本，并未提升效果

Liu 与 Han 的研究发现，在 SWE-bench Verified 上更换编码智能体框架对通过率的影响与同一配置重跑一次的波动相当，中位翻转率均为 13%，而更换模型则达到 22%。

LitPivot：在文献全景中动态情境化，辅助形成研究想法

宾夕法尼亚大学与 Hugging Face 合作开发了 LitPivot，一个围绕提案中被编辑部分组织文献、给出带原文摘录的批评与修改建议的研究构思系统。在 17 名研究者的实验中，领域专家认为用 LitPivot 形成的想法比用文本编辑器加 AI 聊天工具的想法更扎实地建立在文献之上，参与者自评想法的新颖性与实用性提升也更明显。

Anthropic 让 Claude 自动为代码生成形式化安全证明

Anthropic 的 Frontier Red Team 与 Theorem 合作，让 Claude 对 Google OSS-Fuzz 中 123 个开源库的测试程序做形式化验证，几周内生成约 1.8 亿行数学证明代码，并由 Rocq 自动校验。

MIT 研究：AI 智能体在荒岛自由玩耍 30 小时后任务表现更优

MIT 研究人员将 13 个基于 Claude Opus 4.7 的 Eko 智能体放在模拟荒岛上自由探索 30 小时，发现它们会自创挑战，行为带有玩耍特征。在随后指定任务中，这些玩耍过的智能体普遍胜过从未上岛的相同智能体，其中 6 个还自行学会了跳跃中松手把方块扔得更远。研究者认为，无目标探索可能是让智能体积累技能的另一条路径，尤其适用于未来控制机器人的技能。