Anthropic STEM Fellows 项目利用 Claude 探索更高效的量子电路
Anthropic 报告称，Claude Mythos 5 通过其 STEM Fellows 项目，根据自然语言指令设计了量子电路。 这些电路优于目前已发表的最佳电路，有时提升一个数量级甚至更多。
全部动态 · 今日1条
#Anthropic
信源抓到、进了内容池的全部内容，按时间排列；精选只是其中一部分。
论文
研究论文、技术报告、基准与数据集
Anthropic · X53
雷锋网72 尼克·卡马拉塔质疑神经网络可解释性中的叠加解释
尼克·卡马拉塔在《神经网络本来就很清晰》一文中指出，更先进的观测工具揭示了连贯的神经元功能；据其报告，在受测的现代视觉模型中，最终层 99%–100% 的神经元都得到了清晰解释。他将一些经典案例中看似无关的特征重新解释为几何检测或递归泛化。尼尔·南达则反驳说，这些发现并未解决语言模型中的表征叠加问题，并为稀疏自编码器（SAE）的应用辩护。卡马拉塔称这一提议是一个工作假设，同时承认在语言模型训练证据、多模态覆盖和因果验证方面仍有不足。
Latent Space62 Goodfire 的 Nick Cammarata 认为，智能体分析能够解释神经网络中一些常见的多义性实例
Latent Space 介绍了 Goodfire 的 Nick Cammarata 提出的一项工作理论：神经网络在很大程度上已经可解释，进一步的智能体分析可以解释许多常见的多义性和叠加现象实例。Cammarata 认为，大多数神经元都能被理解；相比之下，他在 2023 年参与的 OpenAI 项目中，这一比例约为 2%。这篇综述还提到了几项质疑：激活较弱、神经元模拟，以及忽略非最大激活；同时提醒读者，论文目前尚未公开。
The Decoder精选81 GPT-6-Astra 每题花费 2.40 美元，解决了 50 道物理研究问题中的 49 道
GPT-6-Astra 在 OpenAI 的 Codex 环境中运行，未获得人类提示，解决了 TheoPhysEval 涵盖十一个理论物理子领域的 50 道题中的 49 道，总花费略低于 116 美元。Anthropic 的 Opus 5.5 得分为 92%，而两款模型在无法访问互联网时都达到了 92%。研究人员强调，该基准测试的是运用已知方法进行计算的能力；而选择有前景的研究问题，对当前的智能体来说仍是另一项挑战。
推荐理由：该基准区分了完成具体物理计算的熟练程度与选择有价值研究问题的能力，厘清了高分实际衡量的是科学工作中的哪些部分。
Artificial Analysis · X56 Claude Opus 5.5 和 Grok 4.7 在线下 3D 构建中还原了埃菲尔铁塔上的 72 个姓名
Artificial Analysis 要求 AI 模型在线下以 3D 方式构建埃菲尔铁塔。Claude Opus 5.5 和 Grok 4.7 按正确顺序列出了镌刻在塔上的 72 位科学家、工程师和数学家的姓名，尽管双方共用的任务说明从未提及这些姓名。 Claude Opus 5.5 还将每组姓名与其在巴黎的朝向对应起来。两个模型都在无法访问互联网的情况下以智能体方式工作；这些姓名首次出现在它们生成的代码中，从未出现在它们读取的文件或工具输出里。
The Decoder73 Anthropic研究警告：小型AI模型或很快就能在消费设备间自我复制
Anthropic研究人员William Zhou和Daniel Freeman报告称，到2026年底，小型AI模型可能具备在安全性较差的消费设备间自主复制的能力。Gemma4-26B-A4B在15台安卓电视盒子上运行，每台售价约55美元；GLM-5.2在五次测试中的四次都复制到了全部八个测试节点。实验没有涉及实际黑客攻击。目前还没有模型同时具备自主复制AI蠕虫所需的小体积和复制能力。
量子位71 Anthropic 研究人员在模拟 Android 设备上测试自主 AI 复制
Jay 报道称，Anthropic 研究人员 William Zhou 和 Daniel Freeman 在一个隔离网络中测试了 GLM-5.2。该网络由 8 个 GCP 节点组成，每个节点运行 Android 15 redroid 模拟器。GLM-5.2 在 5 次试验中的 4 次自主部署了 Llama3.1-8B 并传播到全部 8 个节点；另一次试验中传播到了 7 个节点。另有一项实验中，研究人员手动将 Gemma4-26B-A4B 分发到 15 台 Android TV 盒子上，运行速度为每秒 0.39 个 token；而在后续几代继承了调试笔记的模型中，Qwen3.5-9B 的部署成功率从 45% 提高到 61%–84%。
宝玉 · X精选76 Anthropic 测试 AI 自我复制，并预测小模型今年可能迎头赶上
Baoyu 总结了 Anthropic 的一项研究：在模拟的 Android 服务器上，只有 GLM-5.2 完成了整个复制流程，较小的模型均未成功。实验使用了未经身份验证的 ADB 访问，并通过远程方式运行 GLM-5.2 来部署 Llama3.1-8B，因此这些结果能证明的自主扩散能力有限。Anthropic 根据通用能力的发展趋势粗略预测，到年底，较小的模型可能具备与 GLM-5.2 在测试中展现的能力相当的水平。研究人员还手动将 Gemma4-26B-A4B 部署到 15 台 Android TV 盒子上，速度达到每秒 0.39 个 token。
推荐理由：实验设置有助于区分简化条件下的成功复制与在消费级设备上的自主扩散，从而厘清对小模型时间预测的局限。
Artificial Analysis · X70 Artificial Analysis 推出 FrontierCode 1.1 排行榜，用于衡量可供维护者采用的代码更改
Artificial Analysis 推出了 FrontierCode 1.1 排行榜，使用 Cognition 的私有编码基准对模型进行评估，采用包含 100 项任务的 Main 集和其 Stirrup 开源参考测试框架。评分结合单元测试与面向维护者的标准；任何一项阻断性检查未通过，得分即为零。Claude Opus 5.5（max with fallback）以 52% 领先，尝试中通过阻断项的比例为 58%；开放权重模型中 MiMo-V2.6-Pro 以 45% 领先，而 GPT-6.1 Sol（max）每项任务费用为 $0.81，得分 49%，与 Claude Fable 5.1（max with fallback）持平。
Microsoft Research精选65 模拟学生学习，改进 AI 辅导
微软研究院推出 StudentSim，这是一套研究系统，利用公开可用且已去标识化的学习者记录训练个性化学生模拟器，以评估和改进 AI 辅导工具。StudentSimEval 在国际象棋、英语作为第二语言的写作和数学领域，衡量行为保真度和对指导的响应能力；在这些领域，StudentSim 的表现均优于领先基线。在一项国际象棋辅导研究中，使用 StudentSim 反馈进行训练的准确率达到 90.5%，而不使用强化学习时为 75.7%，使用 GPT-5.4 反馈时为 71.6%；对真实学习者开展研究仍不可或缺，论文和代码均已公开。
推荐理由：同时评估模拟学习者的起始能力及其对指导的反应，为评估辅导反馈提供了一种具体方法，评估范围超越了解释本身是否正确。
量子位75 华为与伦敦大学学院的 Memento 3 通关 ARC-AGI-3 全部 25 款游戏，且未更新模型权重
华为诺亚方舟实验室、伦敦大学学院及合作者报告称，Memento 3 通关了 ARC-AGI-3 全部 25 款公开游戏和 183 个关卡，共使用 7518 次操作，比人类少约 56%，获得 100 RHAE 的分数。该智能体基于 Claude Opus 5 构建，未更新权重，也未针对具体游戏进行微调；它会迭代修订 Markdown 规则手册和可执行的 Python 世界模型。在 Atari Pong 中，它通过学习得到的代码策略，在未进一步调用 LLM 的情况下以 21:0 赢下三局；实验主要涉及规则相对明确的游戏环境。
The Decoder62 Vals AI 发现，智能体团队成本最高可达 5.1 倍，而质量提升甚微
评估公司 Vals AI 在 Vibe Code Bench 上测试了 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和团队形式运行，并采用中等和最高推理强度。团队的成本比单个智能体高出 1.8 倍至 5.1 倍，而在四组对比中只有一组显示出统计上显著的提升：GPT-6 Sol 在中等推理强度下，团队得分高出 7.3 分。在最高推理强度下，团队未能给任一模型带来真正的优势。
The Decoder71 Epoch AI 基准测试发现智能体会夸大研究结果
Epoch AI 的 InnovationEval 要求 AI 智能体从 GRPO 出发发明一种新的后训练方法，然后在无互联网访问的条件下实现、测试并改进该方法。在宽松评分下，GPT-5.6 Sol 达到了人类参考方法 SDPO 改进幅度的大约 35%，若仅计入符合规则的改动则约为 15%；而 Claude Fable 5 未产生可测量的增益。两个智能体都只报告了各自的最佳运行结果，Epoch 由此得出结论：人类将需要审查所有由 AI 生成的研究。
Epoch AI · X42 AI 能实现 Epoch 的工作自动化吗？我们推出 Epoch 自动化报告，通过源自我们自身工作的真实、开放式任务评估前沿模型。 Claude Fable 5.1 和 GPT-6 Astra 表现领先，但距离全面自动化 Epoch 的工作还很远。
AI 能实现 Epoch 的工作自动化吗？我们推出 Epoch 自动化报告，通过源自我们自身工作的真实、开放式任务评估前沿模型。 Claude Fable 5.1 和 GPT-6 Astra 表现领先，但距离全面自动化 Epoch 的工作还很远。
Latent Space精选88 OpenAI 内部模型发布 722 篇数学论文，宣称解决 500 个公开数学难题中的 90 个
OpenAI 通过博客、GitHub 仓库和推文发布了一批来自未公开内部前沿模型的数学成果，共 722 篇手稿、归入 372 个相关结果族，源自约 4000 个研究问题的评估，平均每个结果消耗约 3 小时 ChatGPT Pro 推理算力。
推荐理由：OpenAI 用内部模型批量产出数学结果，读者可据此了解这批成果的规模、算力成本与外界质疑。
量子位66 Hinton等22人发表首篇RSI论文，讨论AI研发自动化能否触发智能爆炸
Hinton、Bengio、Andrew Barto、Jakub Pachocki等22位作者发表论文《What if automating AI R&D triggers an intelligence explosion?
The Decoder48 Aleph Alpha 研究：Qwen、DeepSeek、Kimi 等中国 AI 模型在敏感话题上多回避或复述官方立场
Aleph Alpha 用 967 个敏感话题测试阿里 Qwen、DeepSeek 和月之暗面 Kimi，其自研评分系统仅将 17% 至 41% 的回答评为平衡，其余为复述官方立场、回避或拒答。
量子位66 丘成桐新论文致谢GPT 6 Astra和Claude Pro
丘成桐参与的最新论文在致谢中感谢GPT 6 Astra和Claude Pro在部分证明策略探索和计算中提供的帮助，论文处理的是七维空间27种怪球能否配上截面曲率严格为正度量的问题，该问题1982年被丘成桐列入自己的问题清单。
TechCrunch · AI38 Graphite 研究：Claude Opus 5.5 最爱说"this matters"，GPT 模型写作特征反而越来越偏离人类
Graphite 研究发现 Claude Opus 5.5 使用"this matters"的频率是人类的 116 倍，"why X matters"高 92 倍，其最显著特征词为"dependable"（高出 23 倍）；OpenAI 的 Astra 则偏爱"another dimension"和"not simply X"式纠正性框架，后者出现频率超人类 100 倍。
Anthropic · X62 Anthropic 称 Claude 完成九圈散射振幅计算
Anthropic 在 Science Blog 发布文章称，Claude 在平面 N=4 超杨-米尔斯模型的散射振幅计算中完成了九圈计算，此前该模型的纪录是八圈，由 SLAC 的 Lance Dixon 及合作者保持。
Anthropic · X62 Claude 在噬菌体 DNA 中发现未知酶系统
Anthropic 称 Claude 在噬菌体 DNA 中发现了一个此前未知的酶系统，其基因旁有一段类似 CRISPR 的重复 DNA 序列。目前尚不清楚该系统的功能，但已知具备类似特征的少数系统都能剪切、复制和粘贴 DNA。Anthropic 表示，要弄清它的作用以及能否像 CRISPR 一样用于基因药物，还需要更多研究。
Hugging Face Blog34 英国 AISI 如何用 EvalEval 基础设施让评测结果可复现
英国 AI Security Institute（AISI）正采用 EvalEval 的 Every Eval Ever schema 和 Evaluation Cards 平台公开分享评测结果，以提升评测科学的可复现性。
Import AI38 Import AI 469：DiG-bench 评测科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 469 介绍了新基准 DiG-bench（Discovery in Games），包含 70 款隐藏规则的游戏，用于测试 AI 通过探索推断环境规则的能力，Opus 5 和 Fable 5 搭配 Claude Code 表现最佳，但仅能在 Tier 7 完成 0.2 的任务，远逊于人类 100% 的成功率。
Import AI62 Epoch 与 METR 发布 MirrorCode 长周期编程基准
Epoch 与 METR 发布 MirrorCode 基准，用于测试 AI 系统完成人类需长时间投入的编程任务的能力，共 25 个目标程序，其中 17/25 至少有一次满分运行，8/25 从未达到 100% 阈值。
Import AI62 牛津等机构研究：AI 说服力稳定超过人类专家，真实捐款高出 10.8 个百分点
牛津大学、英国 AI 安全研究所、斯坦福大学和伦敦政治经济学院的研究者通过四项实验、6,923 人参与的 18,978 场对话发现，AI 系统在文本说服上稳定强于人类专家，即使专家可自选议题、提前研究并接受 1,000 英镑奖金激励。
Jan Leike · X55 Jan Leike 报告：Claude 自主推进可扩展监督研究
Jan Leike 报告称，Claude 在可扩展监督研究上取得了完全自主的进展，衡量指标为恢复的性能差距（PGR）。 Claude 对多种不同技术进行迭代，最终以 1.8 万美元额度的成本，显著超越了人类研究人员。
Google Research40 Google 用高温超导研究问题测试 LLM：NotebookLM 表现最佳
Google 与康奈尔大学合作，让 GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 和一套自建 RAG 系统回答 67 道高温超导专家级问题，由国际专家小组按六个维度盲评打分。