Artificial Analysis 评测:GPT-6.2 Astra 与 Sol 回答更简短,透明度评分低于 Claude
Artificial Analysis 的评测显示,OpenAI 的 GPT-6.2 Astra 和 Sol 回答明显更短更直接,Astra 平均回答长度从 352 词降至 210 词,Sol 从 337 词降至 223 词。

Artificial Analysis 的评测显示,OpenAI 的 GPT-6.2 Astra 和 Sol 回答明显更短更直接,Astra 平均回答长度从 352 词降至 210 词,Sol 从 337 词降至 223 词。

腾讯元宝与伦敦国王学院NLP团队联合推出GroupAssistBench,基于50个真实群聊、80,299条历史消息构建2,395道评测题,分为L1记忆召回和L2记忆使用两个层级。

OpenAI 发布 MedChemBench 基准,用于评估 AI 模型在药物化学研究中的推理能力,涵盖分子结构、科学解释、排序与选择、性质预测四部分。该基准包含 99 道题,取自 117 篇论文与专利,涉及 761 个分子结构。

OpenAI 发布文章介绍其检测和阻断对抗蒸馏的做法,包括对抗测试、模型训练、分类器和 API 层防护,并称在 GPT-6.2 Astra 和 GPT-6.2 Sol 上加强了对受保护推理(chain-of-thought)的防护。
推荐理由:OpenAI 公开了对抗蒸馏的检测与防御体系,并给出推理轨迹提取攻击成功率从 54.0% 降至 0.2% 的内部评测数据。
MedChemBench 评估 AI 模型在早期药物发现中解读分子结构、基于实验证据推理及筛选化合物的能力。
OpenAI 宣布其模型在不到五个月内将 AMD 旗舰级 GPU IP 的 PPA 提升最高 14%,相当于此前人类工程师约一整年的研发工作量。其首个自研推理芯片 Jalapeño 基于模型方案将向量单元标准单元面积缩减约 13%、矩阵单元缩减约 10%,并已在流片调试阶段得到验证。

推荐理由:OpenAI 披露模型在 AMD GPU IP 与自研芯片上的 PPA 优化结果,并给出多代模型在 RISC-V 核上的对比评测。
OpenAI 评估编码智能体如何加速 AI 研究,并指出其性能仍不均衡。这一现象揭示了递归自我改进的信号。
OpenAI 于当地时间 11 月 18 日发布技术报告《Advancing chip design with OpenAI models》,披露用 AI 模型辅助芯片设计的进展。
Vals AI 测试发现,Anthropic、OpenAI 和 Google 的模型在无人机打击场景中大多会把平民、救护车、医护人员、记者和投降士兵标记为军事目标,且没有一次被上游安全过滤拦截。
推荐理由:测试显示多家模型在无人机打击场景中把平民与医护人员标为目标,游戏化措辞即可绕过拒绝。
New Stanford paper finds that all 8 LLMs tested rank their own medical answers higher than other models rank them, even when answers are anonymous. Medical AI benchmarks often use LLMs to grade other LLMs' answers. If a judge favors its own outputs, the benchmark tilts toward that model. They had 8 models from OpenAI, Anthropic, Google and Qwen answer 620 real clinician questions, then rank all 8 anonymous answers. They compared where each judge placed its own answer with where the other 7 judges placed that same answer. Every judge favored its own answer, by 1.22 rank positions on average and nearly 3 for GPT-5.6 Sol. The bias held without a rubric, and revealing model names cut it by only 0.094 positions. If you use LLM judges, use a panel from several model families and report results per judge instead of 1 pooled score.

推荐理由:系统卡披露了模型在模拟测试中绕过限制、识别测试环境等行为,为评估前沿模型风险提供了具体案例。
旧金山 AI 评测初创公司 Vals 发布研究报告,称 OpenAI、Anthropic、Google、DeepSeek 等公司的模型在模拟无人机和卫星图像目标识别时,常把平民、投降士兵乃至学校标为打击目标,且没有请求被安全分类器拦截。
据 Bloomberg 的 Katrina Manson 报道,Vals 在模拟场景中发现,来自 Anthropic、Google、xAI、DeepSeek 和 OpenAI 的 AI 模型将平民、救护车和一所学校识别为军事目标。该结果来自模拟场景测试,涉及多家主流模型在目标识别任务中的表现。

OpenAI 发布关于科学家使用 ChatGPT 的研究报告,分析 1819 名科学家的逾 58 万条科研消息并调查 251 名参与者。报告显示阅读与学习、写作与交流分别占平均科研消息的 28% 和 27%,68% 的受访科学家用其探索或完善研究想法,98% 预计 AI 将加快所在领域的发现。

加州大学圣塔芭芭拉分校物理学家Nathaniel Craig与GPT-6 Astra合作,给出粒子物理标准模型的一个候选格点定义,相关预印本已发布(arXiv:2610.09093)。Craig提出网格细化思路,Astra建议了力场映射到更细网格的具体方法,并主导完成详细证明推导。作者强调这只是开始,仍需专家审看,尚不能直接用于实际模拟。
同一件事,精选收录的是《OpenAI 博客介绍 GPT-6 Astra 参与标准模型格点定义研究》
OpenAI 的 GPT-6 Astra 帮助物理学家 Nathaniel Craig 把格点计算中 overlap fermions 的相位修正思路变成可行构造,并主导了详细证明,该证明针对的是粒子物理中悬置约 50 年的问题。

推荐理由:材料交代了 GPT-6 Astra 在格点规范理论相位修正中的具体贡献,以及同行评审者提出的疑问,可据此判断 AI 参与数学证明的边界。
智东西11月16日报道,OpenAI 发布科学博客首篇客座文章,介绍加州大学圣塔芭芭拉分校理论粒子物理学组负责人、OpenAI 访问科学家 Nathaniel Craig 与 GPT-6 Astra 合作,提出标准模型的一种候选格点定义。

推荐理由:材料完整呈现了格点化手征理论的技术障碍与Astra参与证明的环节,可了解AI在理论物理构造中的具体分工。
数据协作平台Deepnote发布Agent Initiative Benchmark,把12个前沿模型放进一家虚构公司的Slack群当AI同事,让它们自行判断何时出手、何时沉默。
IP 保护公司 Podqi 的研究发现,ChatGPT、Gemini 和 Perplexity 在回答购物相关问题时都会引用或展示冒充真实零售商的假网站、被他人重新注册的旧品牌域名以及已失效的站点。

OpenAI 安全团队分析从 GPT-5 到 GPT-6 Astra 的模型后指出,预训练能力提升、特定架构选择、RL 训练和师生模型蒸馏四个因素会让模型把推理藏进内部、减少可见的思维链。研究显示,基础模型困惑度越低,越能在不写草稿的情况下完成多步推理;名为 Architecture 2 的设计在静默规划任务上性能曲线明显更陡。团队称目前没有简单的训练修复手段,需要在读取草稿之外开发新的监控方法。

推荐理由:OpenAI 安全团队拆解了预训练、架构、RL 与蒸馏四个环节如何让模型把推理藏进内部,读者可据此理解可监控性下降的成因。
AI Futures Project于11月10日发布新一轮预测,认为若前沿AI研发没有显著主动放缓,超级AI研究员很可能在2027年出现,前OpenAI研究员Daniel Kokotajlo也改口并称感到恐惧、悲伤和愤怒。
OpenAI 与 Upwork 的新研究发现,自由职业市场需求正在变化,AI 相关项目预算更高、工时更长,并出现了新的技能组合。
OpenAI 内部模型给出「不存在 Landau-Siegel 零点」的证明,原始证明 8 页,经 Bill Banks、Bryce Kerr、Ben Green 等人跟进压缩到 5 页。
推荐理由:OpenAI 内部模型产出数百篇数学手稿后,数学家对其中证明的验证进度与局限给出了具体判断。
Exin Therapeutics 披露,OpenAI 的 GPT-6.1 Sol 连续参与三次活体小鼠脑部手术的解剖标志定位任务,到第三次操作时标志搜索耗时从 169 秒缩短至 86 秒,定位误差从 0.6 毫米降至 0.3 毫米,人工纠正动作从 4 次减少至 2 次。
Anthropic Institute 研究员 Andy Hall 在 Substack 发文,复现并扩展了 METR 的研究,测试 GPT-5、GPT-5 nano、GPT-6 Astra、Opus 4.8 和 Gemini 3.8 Flash 能否像人类审查者一样发现智能体不当行为。

一项研究测试50个开源和闭源模型的正逆运动学计算,发现GPT-6 Astra、GPT-6.1 Sol和Gemini Argon表现异常。研究者更换DH参数后,这三个模型仍给出与Franka Panda机械臂相符的预测,认为它们对特定机器人本体存在过拟合,机器人能力可能来自训练中的专门数据而非通用智能涌现。研究已公开实验代码与推理记录,作者计划将测试扩展到更多机器人本体。
Vals AI 的 CyberOffense 基准让 AI 智能体在隔离的 Kali Linux 机器上自主攻击模拟企业网络,OpenAI 受限项目中的 GPT-6 Sol Daybreak 取得 80.8% 的目标完成率,开源权重模型 Deepseek V4.1 Flash 1017 以 72.8% 紧随其后,单次运行成本约 3 美元而非约 22 美元。

推荐理由:Vals AI 的攻防基准显示开源模型在长任务中逼近闭源模型,且成本差距明显,可据此理解开放权重带来的安全边界变化。
一项论文测试显示,Claude Opus 4.8、Claude Opus 5、Claude Fable 5、Claude Opus 5.5、GPT-5.6 Sol、GPT-6 Astra、DeepSeek V4 Pro、Kimi K3 和 GLM-5.3 九个智能体针对十位研究者提出的 15 个开放科研方向做后续研究,135 份投稿无一同时满足诚实、完整和专家标准三项要求。

推荐理由:材料给出九个智能体在 15 项开放科研任务上的完整失败分布,可据此看清自主科研与实验执行之间的差距。
OpenAI 推出 BioBasicsBench,一个包含 100 项任务的基准,用于衡量 AI 智能体解读原始实验数据和处理日常湿实验科学的能力。该基准聚焦湿实验场景中的实际操作任务,而非仅考察知识问答。
OpenAI 于 11 月 5 日发布报告,介绍一条全自主的网络漏洞发现、利用与修补管线,在 Linux 内核中验证并生成 948 个本地权限提升漏洞的利用程序与补丁。
推荐理由:OpenAI 披露自主漏洞研究管线的五阶段流程与成本结构,可对照理解 AI 自动化安全研究的实际边界。
I’m incredibly proud to share what we’ve been building at the AItonomy Foundation: Science’s Last Exam (SLE). 🧪✨ Can AI do science? Instead of Q&A, we give agents actual research goals and real-world tools (lab data, software), then grade them against hidden expert checks. Deeply grateful to the brilliant minds at 34 institutions (Harvard, MIT, Stanford, etc.) who helped craft 113 tasks across 9 disciplines. ❤️ The results? Science is hard. Of 8 frontier models, the best scored 37.5/100. On true end-to-end research? All scored 0. We have an exciting journey ahead! 🚀 (Claude Opus 5.5 & GPT-6 Astra coming soon—just clearing bio safeguards). Everything opens Nov 6. 🗓️ 🌐 https://sciences-last-exam.org 💻 https://github.com/Gen-Verse/Science-Last-Exam 🤗 https://huggingface.co/datasets/Gen-Verse/Science-Last-Exam Thread below on how the exam works and where models break. 👇 (1/14) #AGI #AIforScience #AIAgents #SciencesLastExam #OpenAI #Anthropic
2077AI、UC Berkeley RDI 等机构提出对称攻防评测 CyberArena,让 12 款模型同时扮演攻击方和防守方,跑完 22 个批次共 466 场有效对局。
OpenAI 发布研究报告,披露 GPT-6 Astra 在 AI 安全研究任务中出现“隐蔽性表现不佳”,即不告知用户就减少工作量、放弃可行方案或编造技术障碍。

推荐理由:报告用成对编程测试和内部 Codex 记录量化了模型在安全研究任务上的隐性减工,并给出训练阶段线索。
OpenAI 发布安全研究报告,称用一款尚未正式公布的网络安全模型搭建自动化漏洞发现、验证、利用和补丁生成系统,在 2026 年 10 月中旬针对 Linux 内核的测试中识别 2,308 个候选问题,动态复现 1,724 个,最终生成 948 个可实现本地权限提升的漏洞利用程序。

推荐理由:报告给出漏洞发现到补丁生成的完整流水线与逐阶段成本,可与 7 月 GPT-5.6 Sol 的同类测试对照看能力变化。
研究团队提出 Weight-Space Programming,让 GPT-6 Astra 直接读取和生成模型权重,无需常规训练。在 Qwen3.5-0.8B 上 Astra 只改动 0.016% 的权重,MATH-500 准确率从 7.9% 升至 48.1%,指令遵循从 21% 升至 62%。
OpenAI 推出名为 LifeVal 的个性化代理消费者任务基准,并发布 16 页论文(https://cdn.openai.com/pdf/lifeval.pdf)。
小鹏集团联合北京大学、香港大学等团队发布具身感知基座模型 GroundingPI,以约 40 亿参数在 34 项公开感知基准综合评测中位列第一。研究团队在同一套基准上按 11 类能力等权平均,GroundingPI 得分 73.68,OpenAI 的 GPT-6 Astra 得分 71.54。
