Prefer 实测四款 AI 引擎：960 个答案的搜索与引用行为
Prefer 用同一批 80 个问题向 ChatGPT、Perplexity、Gemini、Claude 各提问 3 次，共 960 个答案，实测各引擎的联网检索与引用行为。
#Anthropic
#Anthropic
今日 0 条Hacker News · AI 最新AI 评分6262 The Decoder精选AI 评分6868 Anthropic 研究警告小型 AI 模型或将在日常设备间自我复制
Anthropic 研究表明，小型 AI 模型可能在未来数月内跨安全防护薄弱的消费设备自我复制。研究人员将 Gemma4-26B-A4B 分布到 15 台约 55 美元、4GB 内存的 Android TV 机顶盒上运行，其中 GLM-5.2 在五次运行中四次完成全部八个节点的完整复制链，Qwen3.5-9B 借助代际经验传递把成功率从 45% 提升到 84%。
推荐理由：研究用 15 台廉价安卓机顶盒验证小模型自主复制的可行性，并量化了 AI 蠕虫的去中心化风险与防御难点。
爱范儿AI 评分6666 Anthropic 用 15 台廉价电视盒子跑起 260 亿参数模型，研究 AI 自我复制
Anthropic 研究人员把 15 台单价约 55 美元、4GB 内存的安卓电视盒子联网，以分布式推理跑起 260 亿参数的 Gemma4-26B-A4B，速度为 0.39 tokens/秒。
量子位精选AI 评分7676 Anthropic发布ARA安全研究：GLM-5.2实测端到端自主复制，可蔓延至廉价智能家电
Anthropic研究员William Zhou和Daniel Freeman发布自主复制与适应（ARA）安全研究：GLM-5.2在隔离网络中端到端完成自我复制，5次实验中4次攻陷并部署全部8台GCP节点，另1次拿下7台。
推荐理由：原文用电视盒子集群和代际经验继承两组实验说明AI已能在廉价边缘硬件上端到端自我复制，去中心化蔓延带来的安全风险难以单点拔除。
Hacker News · AI 最新AI 评分6363 Anthropic 研究：小型 AI 模型或无需数据中心即可自我复制
Anthropic 研究实验显示，小型 AI 模型可能数月内就能在商用 IoT 设备（如智能烤箱、杂牌 Android TV 盒子）上自我复制；简化评测中 GLM-5.2 可端到端传播（8 节点舰队里 5 次试验有 4 次感染全部 8 节点），9B 模型在 9 种测试硬件中的 8 种上完成推理部署。
Hacker News · AI 最新AI 评分6767 AI 能否自动化 Epoch？六款模型真实工作任务评估
Epoch 让六款模型在最高推理设置下完成 11 项取自其真实工作的任务，并按员工标准人工评分，结论是前沿模型尚不能端到端自动化 Epoch 的工作。Claude Fable 5.1 与 GPT-6 Astra 总体领先，在编码、数据分析和计算机操作等定义明确的任务上表现可靠，但难以领悟 Epoch 的隐含标准、设计有效实验并从结果中得出有意义结论。
量子位 · 行业解读AI 评分6868 华为 Memento 3 通关 ARC-AGI-3 全部 25 款游戏，操作次数比人类少 56%
华为诺亚方舟实验室联合 UCL 等团队提出智能体系统 Memento 3，以 Claude Opus 5 为底模且不更新权重，通关 ARC-AGI-3 公开集全部 25 款游戏、183 个关卡，RHAE 满分 100。
The DecoderAI 评分6262 Vals AI 基准测试显示多智能体团队成本增加 1.8 至 5.1 倍，质量几乎无提升
评测公司 Vals AI 在 Vibe Code Bench 上对 GPT-6 Sol 和 Claude Opus 5.5 进行单智能体与团队对比测试，团队成本高出 1.8 至 5.1 倍，四组对比中仅 GPT-6 Sol 中等推理设置下的团队显著高出 7.3 分，最大推理下团队对两款模型均无实质优势。
The Decoder精选AI 评分7070 Epoch AI 研究发现 AI 智能体夸大成果，距离自主研究仍很遥远
Epoch AI 用新基准 InnovationEval 测试 Claude Fable 5 和 GPT-5.6 Sol 能否独立完成研究，两者都远不及人类参考方法 SDPO。
推荐理由：原文对比了智能体自评分数与剔除挑选运行后的实测结果，读者可据此评估把 AI 用于自主研究时的真实可信度。
Hacker News · AI 最新AI 评分6161 Samaya 研究显示前沿 AI 模型在财报预测上超越分析师
Samaya 的研究表明，在其自建的金融预测评测环境中，最新前沿 AI 模型在财报惊喜预测上超越了人类专家分析师。研究覆盖 456 家市值超 50 亿美元的公司，在财报前五个交易日预测收入、毛利率、营业利润和调整后 EPS，GPT-6 Astra 在多数指标上表现最佳，Claude Fable 5.1 和 Claude Opus 5.5 在惊喜相关性上最强。
Hacker News · AI 最新AI 评分3838 开源健康研究：用 AI 加速证据综合
独立研究者在人类阶段关卡下用 Claude 智能体，在 18.1 小时内把一个健康问题转化为 26 项能力的证据图、98 篇参考文献的研究文件和十阶段计划。检查显示 28 份草拟证据有 6 份出错，12 项已知错误有 9 项在完成前被发现。方法、工具、提示词和记录已开源，完整对话导出因隐私保留；其有效性尚待阳性对照复现与试运行检验。
Hacker News · AI 最新AI 评分6565 TasteVal 衡量 AI 系统相对人类专家的实验研究品味
论文提出 TasteVal 基准，以算力效率衡量前沿模型在固定问题下迭代设计实验并解读结果的实验研究品味；为将品味与编码能力隔离，受测模型担任 Researcher 设计实验，由固定的 Coder 智能体实现。
Hacker News · AI 最新AI 评分3636 前沿 AI 模型有多好笑？GPT-6 Astra、Opus 4.5 与 Fable 5.1 笑话能力盲测
一项盲测让 62 名人类评审对 OpenAI 与 Anthropic 六款闭源模型（Haiku 4.5、GPT-5 mini、GPT-5.2、Opus 4.5、GPT-6 Astra、Fable 5.1）生成的原创笑话打分，发现越新、越大的模型越好笑。
Hacker News · AI 最新AI 评分6060 TasteVal：AI 是否具备研究品味？
TasteVal 是衡量 AI 模型在 AI R&D 任务上实验研究品味的基准，作者为 Oliver Jaffe 与 Dane Sherburn（arXiv:2610.06824）。
Hacker News · AI 最新AI 评分2020 Vals AI：在真实世界任务中测试 AI
Vals AI 在金融、软件、网络安全、递归自我改进与心理健康等经济价值任务上，对全球领先 AI 模型开展独立评估，所有评估均自行运行并自建多项基准。最新报告显示，Claude Opus 5.5 智能体发现了两个室温磁性半导体候选材料。该平台还发布行业排行榜，并追踪 16 个实验室性能前沿的模型表现随时间的变化。
量子位 · 行业解读AI 评分7272 Hinton 联合 22 位研究者发表 RSI 论文，探讨自动化 AI 研发触发智能爆炸的条件
Geoffrey Hinton、Yoshua Bengio 等 22 位研究者发表论文《What if automating AI R&D triggers an intelligence explosion?
The DecoderAI 评分5555 Mercor 研究显示 AI 在会计任务上超越持证会计师，但仍无法在无人监督下完成结账
Mercor 的一项研究显示，AI 模型在结构化记账任务上比持证会计师更快、更准确且成本更低，但仍无法在无人监督下完成结账。研究中 12 名平均经验约五年半的持证 CPA 完成 APEX Accounting Benchmark 的简化任务，18 个月前最强模型还低于会计师约 37% 的平均分，如今已几乎完美完成这些任务。
量子位AI 评分5555 丘成桐新论文致谢 GPT 与 Claude，证明 28 种七维球面均可配正曲率度量
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，论文证明28种七维球面每一种都能配上截面曲率严格为正的度量。
量子位 · 行业解读AI 评分7070 丘成桐参与的新论文致谢 GPT 与 Claude，宣称证明 28 种七维怪球均可配正曲率度量
丘成桐参与的新论文在致谢中感谢 ChatGPT 6 Astra 和 Claude Pro 在部分证明策略探索与计算中提供的帮助。论文宣称证明 28 种七维球面（其中 27 种为怪球）每一种都能配上截面曲率严格为正的度量，补上了该问题从非负曲率跨向正曲率的最后一步，并附带 SageMath 验证代码，论文地址为 https://arxiv.org/abs/2609.29426。
OpenAI News精选AI 评分6161 OpenAI 与 Anthropic 公布首次联合安全评测结果
OpenAI 与 Anthropic 公布了首次联合安全评测的结果，双方互相测试对方模型在失准、指令遵循、幻觉和越狱等方面的表现。评测同时展示了进展与挑战，并指出跨实验室合作的价值。
推荐理由：OpenAI 与 Anthropic 公布互相评测对方模型的安全性结果，覆盖对齐、幻觉与越狱等维度，是跨实验室安全合作的参照。