标签
CRAFT将基于评分标准的评估转化为LLM的分层能力诊断，识别特定弱点并生成有针对性的微调数据，在四个开源模型的金融和法律基准上取得了更强结果。
Vadim Fedenko 分享了关于递归自我改进（RSI）的技术分析，认为真正的 RSI 需要能力的提升速度快于复杂度的增长，并且要拓展架构空间，而不仅仅是在固定参数内优化。他对 xAI 和 Anthropic 近期提出的 RSI 可能在一两年内到来的说法表示怀疑，理由是当前的大语言模型（LLM）缺乏减法工程能力，且现有的奖励函数忽视了复杂度。
本文来自Anthropic，评估了像Claude Mythos Preview这样的大型语言模型如何加速N-day漏洞利用的开发。在针对Firefox和Windows内核补丁的测试中，该模型自主构建了有效的漏洞利用链，突显了补丁空窗期风险的增加。
解读 OpenAI 研究员 Noam Brown 的观点：LLM 的真实能力天花板远高于当前基准测试显示的水平，因为 test-time compute 投入不足，而更强的模型从额外计算中获益更大。这对 AI 安全评估提出了严峻挑战，因为许多危险能力可能只在长时间、高计算预算下才显现。
本文介绍了一个有趣的实验：使用 Claude Code 充当用户态 IP 协议栈来处理 ICMP ping 请求，并测量响应延迟。
Paul Buchheit指出了现代序列到序列模型令人惊讶的零样本能力，即无需针对特定任务进行训练，也能生成命令行指令和Python程序，利用计算机视觉库直接通过像素画面来玩Doom。
数学家 Timothy Gowers 讲述了 ChatGPT 5.5 Pro 如何在约一小时内、几乎不需要人工干预的情况下，产出了博士级别的数学研究成果——解决了一篇组合数学/加法数论论文中的若干开放问题。这一经历促使他大幅修正了对大语言模型数学能力的评估。
用户询问ChatGPT生成文章的内部过程，特别是它是像人类一样综合信息并构建论点，还是简单复制现有文本。
安德烈·卡帕西在红杉资本Ascent 2026上的谈话摘要，重点介绍了三个主题：LLMs在速度提升之外开拓的新领域（例如原生图像处理、.md脚本、非结构化知识库）、模型能力'参差不齐'背后的经济学，以及智能体原生经济的崛起。