Opus 5.5 爱用‘this matters’等表述（及其他 AI 写作特征）
Graphite 研究发现 Claude Opus 5.5 使用‘this matters’频率比人类高 116 倍，是其典型 AI 写作特征。研究对比 Claude、OpenAI Astra、Gemini 3.1 Pro 等前沿模型，各版本均有独特高频短语如 Astra 偏爱‘another dimension’。
#Anthropic
#Anthropic
今日 1 条TechCrunch · AISI 评分6363
Hugging Face BlogSI 评分4242 UK AISI 与 EvalEval 合作实现基准测试结果可复现
UK AISI 利用 EvalEval 基础设施公开分享评估结果，以支持更可复现和可验证的评估科学。此次发布包含 HealthBench、FrontierMath 等五个基准在 Claude Opus 4.6 和 GPT-5.4 等六个前沿模型上的验证结果及配置信息。
Import AISI 评分4141 Import AI 469: DiG-bench 基准测试、RSI 模拟器与 AI 科研品味
新基准 DiG-bench 通过 70 个隐藏规则的游戏测试 AI 的探索与发现能力，结果显示 Opus 5 和 Fable 5 表现最佳，但前沿模型在 Tier 7 难度上仍远落后于人类。
Import AISI 评分7575 Import AI 467：自维持AI病毒、AI发展节奏控制与创造力争议
本期 Import AI 汇总了多项关于 AI 安全与能力的最新进展。多伦多大学等机构构建了利用开源 LLM 进行自我复制的 AI 病毒原型，整体攻击成功率约 37%。
Import AISI 评分6262 Import AI 466：机器人领域的苦涩教训、AI 完成周级编程任务与 OpenAI 意外出现的 AI 黑客
本期 Import AI 汇总多项研究：Epoch 与 METR 发布 MirrorCode 基准，考察 AI 在纯 CLI 访问下重写软件的能力，25 个目标程序中有 17 个至少出现一次满分运行，Opus 4.7 用 14 小时、251 美元推理成本完成一项人类需 2 至 17 周的任务。
Import AISI 评分4040 Import AI 460：社会可被奖励黑客攻击、Anthropic 的 RSI 数据、基于 RL 的四旋翼竞速
研究团队构建 SocioHack 基准，含 72 个沙盒社会环境，测试 AI 在信用卡积分、学校成绩等场景中"钻制度空子"的能力，RL 训练的 LLM 能以 61.25% 召回率和 90.85% 精确率重新发现历史上已被修补的漏洞策略。
Google ResearchSI 评分3838 Google 在 PNAS 发表研究：用高温超导问题评测 LLM 世界模型
Google 与康奈尔大学合作在 PNAS 发表研究，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 12 位国际专家按平衡性、全面性、简洁性、证据、图像相关性和定性反馈六项指标盲评打分。