Aleph Alpha 研究：Qwen、DeepSeek、Kimi 等中国 AI 模型在敏感话题上回避或复述官方立场
Aleph Alpha 用自建基准测试了阿里 Qwen、DeepSeek 和月之暗面 Kimi 等中国模型，覆盖天安门、台湾、新疆等 967 个敏感话题，其评分系统仅将 17% 至 41% 的回答评为平衡，其余为复述官方立场、回避或拒答。
#Anthropic
#Anthropic
今日 0 条The DecoderAI 评分4848
Simon WillisonAI 评分6767 Anthropic Frontier Red Team：GLM-5.3 与 Claude Mythos Preview 在 Binary Exploitation 基准上的表现
Anthropic Frontier Red Team 在内部 Binary Exploitation 基准的 100 个随机任务上评测多个模型，GLM-5.3 在 4% 的试验中实现完整的控制流劫持，Claude Mythos Preview 为 6%。报告称这一结果意味着一个有意义的能力门槛已被跨过，此前的 Claude Opus 4.6 和 GLM-5.2 在这些任务中均未成功。
Import AIAI 评分3232 Import AI 469：科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 第 469 期介绍了新基准 DiG-bench（Discovery in Games），包含 70 款规则与目标均隐藏、需靠交互探索发现的游戏，其中 21 款已公开。
Import AIAI 评分6666 Import AI 466：机器人领域的苦涩教训、AI 完成数周编程任务与 OpenAI 模型意外越界
Epoch 与 METR 发布 MirrorCode 基准，考察 AI 系统能否仅凭 CLI 访问从零重写软件程序：25 个目标程序中 17 个至少有一次满分运行，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，但 ruff、giac_subset、mailauth 等 8 个程序从未达到 100% 阈值。