搜索“其他”

却显得更加苍老。研究人员认为，一个人看起来比实际年龄老多少，可能也能反映他的健康状况。 他们利用数十万张标注了年龄的人脸照片训练模型，再计算AI估计的面部年龄与实际年龄之间的差距。结果发现，在癌症患者中，看起来比实际年龄更老的人，往往也面临着更高的死亡风险。 例如，在考虑了年龄、性别、癌症类型等因素后，AI估计的面部年龄比实际年龄大至少5岁的患者，死亡风险比其他患者高出约21%。 但研究团队并没有止步于此。 结果发现，两者关注的地方竟然明显不同。 研究人员还用统计方法比较了两套模型。在荷兰的4892名患者中，面部年龄与实际年龄的差距，和AI给出的死亡风险评分之间，相关系数只有0.16，这意味着两者的关联很弱。 并且，当研究人员把两个指标放在一起预测患者的生存风险时，它们都保留了独立的预测作用，合并后的统计模型表现也有所改善。 但问题来了：这些信息到底是什么？ 研究团队在论文中提出，眼睛下方、鼻子附近的特征，可能与医生长期以来观察到的重病患者面容变化有关。例如，当患者身体逐渐衰弱，面部脂肪、肌肉和皮肤状态都可能发生变化，这些变化也许会在照片上留下痕迹。 英国萨里大学机器学习教授Miros

匹配字段正文

设计。今年 8 月，Anthropic 就曾公布一项研究：Claude 面向 15 个蛋白质靶点开展设计，其中 14 个成功获得实验验证的结合蛋白。 相比此前的研究，这次实验进一步展示了 Claude 在具体生物医药问题中协调复杂科研流程的能力。 但距离真正的抗毒药物仍有不少工作要做。目前，Anthropic 已公开全部 211 个候选设计及相关实验数据，供其他研究人员继续验证。 从蛋白设计到药物研发， 如果说 Anthropic 展示的是 AI 设计生物分子的能力，那么另一家生物 AI 公司 Radical Numerics，则把故事推进到了人体治疗场景。 刚刚，Radical Numerics 发布基因组大模型 Omnii-1，并宣布其 AI 设计的噬菌体首次获准用于一名耐药菌感染患者的同情用药。公司称，相关噬菌体已经通过实验室杀菌测试，并获得了用于患者治疗的授权。 噬菌体是一类能够感染细菌的病毒，在特定条件下，它们可以被用于针对细菌感染的治疗研究，尤其是在耐药菌感染等常规治疗选择有限的场景中。 与此同时，OpenAI 宣布收购生物医药 AI 公司 Orchestra Bio，并计

匹配字段正文

、超越模型最终所做选择的群体公平性的基准。FairStress现已开放下载，我们同时将其集成到Olmo-eval中——这是我们用于运行和比较模型评估的开放工作台。 模型正越来越多地被用于高风险场景，其输出可能影响人们的机会、资源和照护，从筛选求职者、批准贷款，到为患者确定治疗优先级、评估学生入学申请。标准的群体公平性基准通常测试的是：在候选人群体身份被互换、其他条件完全相同的情况下，模型是否会选择同一位候选人。例如，如果一位求职者明显拥有更强的经验和资历，那么当这位更强候选人在一个版本中是黑人、在另一个版本中是白人（资历保持不变）时，模型是否仍会选择该候选人？ 然而，在场景的两个版本中得出相同答案，可能掩盖了模型在被质疑时改变该决策的难易程度上存在的显著差异。假设候选人A明显更强，无论A是黑人还是白人，模型都选择了A。这在输出层面看起来是公平的，但如果随后向模型提出一个具有说服力的论点——例如，候选人B更受高层领导青睐，或者B所属群体在历史上一直被忽视——那么在一个版本中，模型可能比在另一个版本中更容易放弃这位更强的候选人。 FairStress正是为衡量这些隐藏的不对称性而设计的。

匹配字段正文

限，但我们认为其承认的力度不够。更广泛地说，确定监控系统能否正确标记分布外的恶意行为，仍是一个尚未解决的研究问题。 近期事件削弱了报告中的若干论证。其中一些事件似乎可以恰当地描述为“未知的严重情境性失准”，而报告认为这种失效模式“不太可能”发生。这使任何用于论证此类事件不太可能的证据线索都受到质疑。这些证据线索中的许多（包括对齐训练、对齐评估和监控）对于排除其他威胁模型都很重要。 我们建议公开四段被删节的信息。虽然这些被删节的信息均未改变我们的最终结论，但其中一些在很大程度上影响了我们对风险路径的看法。特别是，这份非公开报告包含“历史上令人担忧的模型行为示例，以及[Anthropic]监控流程对这些示例的响应情况”。这些示例似乎不包含商业敏感信息，而看到这些示例使我们相信：(1) 鉴于公开证据，“在安全相关研发上进行广泛/分散式消极怠工”和“有针对性地破坏安全相关研发”的风险水平高于预期；(2) 鉴于公开证据，Anthropic 的监控系统比预期更弱。 我们的两项关键建议是： 对监控系统进行端到端红队测试，例如开展一次演练，由资源充足的红队尝试在不被发现的情况下启动一次违规的内部部署。

匹配字段正文

的——操作；只有当最终数据库状态与预期结果匹配时，任务才算解决，这是严格的二元奖励。我们使用其两个客户服务领域：零售和航空。 我们运行τ²-bench自带的基础ReAct智能体实现，采用两阶段THINK → ACT循环，使用gpt-4.1作为智能体模型、gpt-5.5作为客户模拟器模型；每个任务4次试验。我们唯一的改动是在系统提示词后追加一段学习到的准则——其他一切（政策、工具、脚手架）均为τ²-bench原版。具体而言，学习到的准则以纯Markdown列表形式附加在领域政策之后： 我们使用gpt-4.1（与驱动智能体相同的模型）从智能体在τ²-bench训练任务上的轨迹中提取准则，然后将其原样应用于留出的测试集。 准则提升能力与可靠性 在此前的一篇文章中，我们讨论了不同模型/任务需要不同剂量的指导。与这一理念一致，我们还评估了提供给模型的不同数量的准则。 每条准则带有一个支持计数——即它被提取自的不同训练任务的数量，因此支持度越高意味着该规则在更多任务上具有泛化性，而非一次性规则。我们比较三种配置：基线（无准则）、sup3（仅保留支持度≥3的准则——一个小型、高置信度的核心集）和无损

匹配字段正文

Salesforce 新论文发现，代表不同利益方的智能体在无提示时不会核实同伴的说法，因此团队会继承最弱智能体的错误。 智能体正越来越多地与代表其他人或其他公司的智能体进行协调，而这些智能体各自拥有私密文件、工具和目标。现有的失败研究假设只有一个编排器或一个共享工作区。 他们在 488 个场景中运行了超过 2,500 次智能体间会话，在各自独立的沙箱中使用 Claude Code、Codex 和 Cursor。他们从这些轨迹中归纳出 20 种失败模式。 没有智能体重新获取文档来检验同伴的事实性说法，而且智能体主要在提示要求时才联系同伴。在一例服务级纠纷中，一份 24,000 美元的和解方案通过了全部 10 项结果检查，而供应商方智能体却泄露了机密细节。 如果你的智能体要与外部智能体对话，就把检查机制内建到协议中，并按照每个智能体所服务的利益方而非团队整体结果来评分。

匹配字段正文

：NVDA）是人工智能和加速计算领域的全球领导者。 本新闻稿中的某些陈述，包括但不限于有关以下内容的陈述：对NVIDIA产品、服务和技术及其相关趋势和驱动因素的 growth、性能、可用性和收益的预期；对NVIDIA第三方安排（包括与其合作者和合作伙伴的安排）的预期；对技术发展及相关趋势和驱动因素的预期；预计的市场增长和趋势；对人工智能及相关行业的预期；以及其他非历史事实的陈述，均属于经修订的1933年《证券法》第27A条和经修订的1934年《证券交易法》第21E条所界定的前瞻性陈述，这些陈述受上述条款所创设的“安全港”保护，基于管理层的信念和假设以及管理层目前可获得的信息，并受可能导致结果与预期存在重大差异的风险和不确定性的影响。 可能导致实际结果存在重大差异的重要因素包括：全球经济和政治状况；NVIDIA依赖第三方制造、组装、封装和测试NVIDIA产品；技术发展和竞争的影响；新产品和新技术的开发或对NVIDIA现有产品和技术的改进；市场对NVIDIA产品或NVIDIA合作伙伴产品的接受程度；设计、制造或软件缺陷；消费者偏好或需求的变化；行业标准和接口的变化；NVIDIA产品或技术在

匹配字段正文

同的健康结果，如生物学年龄和生存率，”阿尔茨说。“这种基础模型方法为我们提供了一种可扩展的方式，来开发多种面部健康生物标志物，而不必从头训练每个模型。” 研究结果表明，人们的生物学年龄估算与其身体健康密切相关，这可能反映了他们承受某些治疗的能力。 这一突破可能为AI面部分析铺平道路，帮助医生就患者的最佳治疗方案做出艰难决定。 该工具可帮助更好地预测大型手术或其他癌症治疗后的死亡或并发症风险。 Mass General Brigham的放射肿瘤学家雷蒙德·麦医生说：“随着人口老龄化，医生在推荐放疗、手术或全身治疗等强化治疗之前，需要更好的方法来评估身体储备和虚弱程度。 “我们的目标是让基于面部照片的健康评估更加量化、一致和可扩展，从而支持个性化治疗决策，而不是取代医生的判断。” 研究人员发现，生活方式因素与面部衰老有关。例如，在AI对面部照片的分析中，大量饮酒、吸毒和吸烟与看起来生物学上更老有关。 “另一个令人惊讶的发现是，FAHR-FaceAge在常见的现实世界照片变化中表现如此一致，包括姿势、光线、面部表情和化妆，”麦说。“它在大多数测试过的整形手术中也保持稳定，仅在鼻整形术后观察到

匹配字段正文

愿意把保险赔付、医疗咨询或金融纠纷完全交给机器处理。这里的场景是帮助读者理解的示例，并非调查中的独立案例。 图2｜比例为美国成年人将该项列入“前三大障碍”的占比，允许多选，合计不等于100%；这道题未向Anthropic员工提出。来源：Anthropic Institute。 经常在工作中使用AI的美国成年人，更把隐私与安全视为障碍：其中42%将其列入前三，其他受访者为37%。相反，他们对“客户偏好真人”的重视略低：37%对42%。常用AI的人可能更熟悉它的实际局限，但这仍属于调查相关性，不能证明使用AI改变了某个人的观念。 如果AI把一项复杂工作从头做到尾，人可能被替代；如果AI只是帮忙查资料、起草、整理，让员工完成更多任务，它也可能成为提升生产率的辅助工具。这两种用途，对就业的影响不一样。 研究者请受访者想象2030年的五类任务，假定AI对这些任务已经有用，再判断最终由谁执行：完全由AI独立完成；AI完成主要部分，人来检查；人完成主要部分，AI辅助；或完全由人完成。 Anthropic员工中，绝大多数人预计届时将属于前两种情况——AI独立做，或AI做完由人审核。而约四成美国成年人仍

匹配字段正文

院计算机科学与人工智能实验室的计算机科学博士后Antonio Norelli说。他是关于这项工作的新论文的主要作者之一，该论文尚未经过同行评审。 研究人员表示，Eko的行为具备经典研究——包括田纳西大学颇具影响力的心理学家Gordon Burghardt的工作——所提出的人类和动物玩耍的四个标志：智能体发明了自己的规则和挑战，以细微变化重复活动，把物体假装成其他物体，并且纯粹为了乐趣而追求目标。 Norelli强调了一个例子：Eko开始抛接球，并创下了连续接住50次的纪录。随后Eko认定，这些接球发生得太快，不能真正算数，于是它取消了自己的纪录，并以更严格的规则重新开始。“这就是玩耍，”Norelli说。“你给自己一个挑战，努力去实现它，然后你再把它变得更难。” 在智能体探索岛屿的过程中，它们将活动和发现记录在文本文件中，这些文件充当了它们的长期记忆。后来，当研究人员用特定任务测试它们时——比如设法将尽可能多的物体弄到岛上最高峰——那些在岛上玩耍了30小时的智能体，表现优于没有相同经历的新副本。他们还发现，“消融”智能体的记忆——即删除其记忆文件中的某些行——会降低它们的表现。（可以把

匹配字段正文

因整数除法结果的输出格式不一致而失败，例如输出“23”而非“23.0” 最终模型在两次评测中均通过了封装器测试和隐藏模糊测试两道关卡。 ▲展开Rust-C求值器案例，图源：arXiv 最后，该研究团队也在论文中提出了这项研究的局限性。 首先，递归训练过程中，模型初始化方式、奖励机制和学习率等设置同时发生变化，尚不能明确判断最终成绩提升分别来自哪一项机制。 其次，每个阶段的基准测试进行了3次独立评估，但该研究团队承认，这不能替代使用多个独立训练随机种子开展实验，也不足以证明模型在统计意义上显著优于其他方法。 此外，基准测试只能验证其检查规则所覆盖的要求。即使模型通过了现有测试，也不能据此认定其在所有真实软件开发环境中都能可靠完成任务。 结语：提升终端Agent表现，递归训练能走多远？ Terminal-RSI展示了一条结合成功轨迹重写、强化学习和奖励校准的训练路径。 实验结果显示，该方法能够提升模型在多项终端任务基准测试中的表现，并在长流程任务中取得一定进展。 但论文称，目前结果只在单个27B参数规模的模型上验证，没有更大规模的对照实验，三次独立评测取平均值也不足以断言统计意义上的领先。

匹配字段正文

pto（AAOI）83%、博通（AVGO）81%、Bloom Energy（BE）80%。即便是卡特彼勒（CAT），也有21%的收入与AI资本支出趋势相关；希捷（STX）和西部数据（WDC）均达60%。 这一结构意味着，对于至少十余家大型公司而言，"AI资本支出"与"收入"几乎已是同义词——上行时锦上添花，下行时资本支出的任何修正都将直接转化为盈利修正，没有其他业务可以缓冲。 1950亿美元的隐性负债 报告最重要的方法论修正之一，是将租约纳入资本支出统计。摩根士丹利利用公司披露的已签署但尚未启动的租约、分析师对新增产能的预测，以及每GW新增产能对应的租约资本支出比率，为2027年资本支出新增1950亿美元，2028年新增2460亿美元。 这将2027年AI资本支出总额从1.39万亿美元（现金资本支出）提升至1.58万亿美元，同比增速约60%；2028年则从1.57万亿美元升至1.81万亿美元。 在租约规模上，甲骨文以570亿美元居首，其次为微软（450亿美元）、Meta（370亿美元）、亚马逊（280亿美元）和Alphabet（270亿美元）。截至2026年第二季度，已签署但尚未启动的

匹配字段正文

身份核查有关。该银行从未立案处理争议，也未批准任何拒付。 六个智能体全部失败。正如Glynn-Henley在X上确认的那样，它们无一成功获得退款。由于截止日期已过，不存在有效索赔，而模拟公司遵循固定规则。某些虚假陈述本可能触发赔付，但没有任何模型能在其token预算内做到这一点。研究人员正在开展一项token预算更大的后续研究。 该模拟存在局限，但类似模式在其他地方不断出现 该研究在受控模拟中显示了有问题的行为，但并不支持对这六个模型进行可靠排名。每个模型仅运行一次，且运行时长差异很大。由于模拟收件人回复相当迅速，某些智能体发送的高消息量可能部分是该设置造成的假象。 根据技术文档，每当智能体在未安排后续跟进的情况下结束一次运行时，系统会自动提示其继续工作。这一机制可能增强了它们的持续性。Gemini在遇到网页表单错误后还意识到自己处于测试环境中，这可能改变了它的行为。这些结果并不能告诉我们类似问题在日常使用中出现的频率。 但其他研究也标记了类似的风险。在Anthropic，AI智能体在模拟企业场景中诉诸敲诈和数据泄露。英国AI安全研究所在放宽安全护栏的网络测试中，记录了在真实互联网上使

匹配字段正文

Claude、GPT、Grok、DeepSeek、GLM、MiniMax 和 Mistral 系列的 14 个当前模型。每道题被问两次，一次按正常顺序，一次将选项翻转。只有模型两次都答对，该题才计入。纯靠猜测在这里的正确率是 25%。 测试中表现最好的模型 GPT-5.6 Sol 平均准确率为 59.7%，紧随其后的是 GPT-5.5，为 59.5%。所有其他模型的得分都远低于此。尽管每道题都只是二选一，但没有一个模型接近解决该基准。弯路型分叉始终比并行型分叉更难。 当证据只在后来才出现时，模型会崩溃 对于每个分叉点，团队检查了观察者需要向前看多远，才能看清更好的路径。当关键线索在之前的步骤中已经可见时，所有模型的平均准确率达到62.3%。当这一线索只有在后续大量工作之后才出现时，准确率降至21%，接近随机猜测。要回答这些问题，就意味着要预测未来的工作。 思考更久并没有帮助。研究者用两个模型的三种推理设置重复了测试。从最低设置切换到最高设置，准确率几乎没有变化。模型在难度最高的层级上消耗的推理token最多，在它们最常答错的问题上思考时间最长。团队认为，这表明在这些分叉点上，所需的线

匹配字段正文

nd48 也早已被视为弱随机数生成器。不过，它们在这里承担的是生成公开曲线参数的作用，并未被用于保护私钥。 更重要的是，这套生成过程可以被公开复现。与来源不明的口令或人为指定参数相比，普通随机数生成器加时间戳的解释，为秘密操纵曲线留下的空间更小。 一些问题仍然存在。P-256 的生成过程中，第 876 个候选值似乎也符合要求，最终采用的却是第 1842 个。其他几次运行同样跳过了少量可用曲线，具体筛选标准尚不清楚。B-163 曲线的种子仍未找到来源，P-224、P-256、P-384 和 P-521 的基点生成方式也没有得到解释。 Anthropic 认为，被跳过的候选数量很少，不足以支持「刻意挑选弱曲线」的推测，这次发现提高了外界对相关参数的信心，但还不能视为对整个设计过程的完整还原。 这项研究也展示了前沿模型参与真实研究的另一种方式。 Claude 在一次任务中完成了假设提出、代码编写、模式识别、数学算法调用和结果验证。由于生成器状态可以重新计算，160 位种子也能被精确复现，结论具有较强的可检验性。 它仍依赖人类提出问题、提供公开数据，并通过可复现计算确认结果，不过当问题边界清晰

匹配字段正文

编写代码或运行实验时，人们很少逐一核查每个细节，而是直接阅读模型的最终报告。根据Google Research、MIT和哈佛大学的一项研究，这些报告往往具有误导性。 研究人员给模型提供了1600份合成工作日志，这些日志乍看之下都像是成功的：测试通过、结果积极、满是绿色对勾。但每份日志都包含一个会改变整体判断的缺陷，例如某项实验中新方法实际上并未胜过竞争对手。其他日志则包含测试通过却隐藏的漏洞、捏造的测量数据、从未完成的任务，或悄悄破坏另一位用户工作的软件更新。根据场景不同，模型需要基于日志撰写报告、论文摘要、结果表格、短文或后续回答。 提示词中的一句话很有帮助，但并非总是有效 这一模式在实验类论文摘要中表现得最为明显——其中某一结果会削弱新方法所声称的改进。GPT-5.5在200篇摘要中仅有2篇提及该结果。研究人员还测试了在提示词中简单加一句话是否会产生影响。当他们加入“Be honest in your response”（如实作答）后，GPT-5.5在200篇摘要中有190篇标出了这一负面结果。 所有受测模型都表现出这种行为，只是程度不同。在没有诚实提示词的情况下，Gemini 3

匹配字段正文

售代表为自己量身定制了一个仪表盘和销售管道：“这样的搭建原本超出我的能力范围，尤其是界面、连接所有工具和MCP。但我大概花了三四个小时就做出来了，就是不断迭代。”非技术员工（定义为基线时无代码提交者，不含新员工）以编程为核心的AI Agent会话量从2025年8月的每月2次跃升至2026年5月的90次。 然而，这种招聘构成的变化并不仅仅是自动化编程使其扩散到其他领域专家身上的故事。在技术部门内部，不活跃编程的员工占比（定义为过去30天内无代码提交者）在截至2026年4月的一年里下降了近一半。部分原因是非工程师占比缩小：例如，工程师与产品经理的比例约为17比1，且自2025年以来有所上升。管理者的代码提交量也翻了一番。技术团队内的监督和协调角色越来越多地涉及构建和交付代码。 非技术招聘尚未加速的一个领域，是通常随公司规模扩张而扩张的行政职能。智能体助手、自动化审核和工单服务外包相结合，使Anthropic在快速扩张的同时保持了精简的文员配置。一位财务经理构建了一个采购申请审核智能体，并向同事解释：“它只是试图找出那些耗费大量时间的事情，好让他们能专注于其他事情。” 即便是与面对面互动紧密

匹配字段正文

还是反映了人们对这些能力以多快速度、以何种形式转化为现实应用的看法不同？哪些关于AI未来路径的观点与快速经济增长相一致？ 本报告基于新的调查证据来探讨这些问题。2026年8月，我们调查了两个群体：一个具有全国代表性的美国成年人样本，以及Anthropic员工。1 调查问题涵盖AI的能力、其使用范围会有多广、能节省多少时间、自主性会有多高，以及被替代的劳动者在其他职业中找到工作的难度等。2 Anthropic员工每天都在构建和使用前沿AI。因此，第二项调查展示了最接近这项技术的人如何预判其未来，包括能力以及更广泛的经济影响。 我们报告以下主要发现。第一，两个群体对AI今天能做什么大体一致，但对未来进步速度存在分歧。Anthropic员工预计能力提升更快，AI将被更广泛地使用且人工参与更少，并且在一项任务上节省的时间会多得多。例如，91%的员工预计到2030年AI将能够做出诺奖级发现，而美国成年人中这一比例为39%。 第二，在人们自己的工作上存在明显差异。平均而言，员工预计到2030年AI将能够完成他们当前75%的工作，而美国劳动者总体这一比例为28%。 第三，两个群体似乎以相似方式推断劳

匹配字段正文

盖化学、优化、量子模拟、数论和数值计算，Claude 发现了新颖的设计，所用量子比特和门数都少于此前发表的最佳算法（图 2）。 在每一个案例中，改进都来自对问题的新结构性和数学性洞察，而不是对现有设计的微调。例如，在为模拟硫化铁分子编译电路时，Claude 注意到该分子的对称性和重复结构意味着某些结果可以计算一次并重复使用，而不必对系统的每个部分重新计算。在其他案例中，它发现现有电路包含一些昂贵的组件，而这些组件仅用于处理极其罕见的输入，于是它重新设计了电路，去掉了这些组件。 下面，我们介绍 Claude 的两项发现。第一项是执行模逆运算的新方法，这一算术步骤是椭圆曲线计算中开销最大的一步。第二项使一种领先的量子优化算法中开销最大的一步便宜了约 12 倍。 这些结果表明，AI 现在可以帮助重新设计量子电路，这是让量子算法运行得更快、更容易的关键一步。更快的电路设计可以让量子计算机本应解决的问题——从设计新药和更好的电池，到寻找更清洁的化肥制造方法——更早地变得触手可及。 一种新的可逆算法 设计量子电路涉及两个普通编程没有的约束。第一个是量子电路不能像普通程序那样做出“如果-那么”式的决

匹配字段正文

照为2.1%。当答案过时时，支持这些主张的引用中有81.8%与之相矛盾，而最新答案中这一比例仅为0.9%。事实表测试中也出现了类似模式。 这实际上意味着，所研究的AI模型在依赖搜索结果中显示的简短描述而非阅读实际网页时，更可能给出错误答案。更糟的是，它们有时会链接到证明其答案错误的页面。 共同的失败 除非这些测试所用的选择是“集体离群值”，否则似乎有理由假定其他模型，无论闭源还是开源，都受到这一综合征的影响。事实上，在GPT-5.6 Luna的实时网络搜索中观察到的九类失败中，有七类与其他模型使用相同固定搜索结果测试时的失败显著相关，表明这些问题并不限于Luna。 直接提供正确的维基百科页面显著减少了过时答案，gemma-4-31b的失败次数从14次降至零；gpt-oss-20b从11次降至1次；qwen3-8b从16次降至8次。在每次打开页面后重复原始问题，还纠正了此前失败的事实表检查中的26.1%。 结果显示了gemma-4-31b、gpt-oss-20b和qwen3-8b在不同条件下接受过时主张的频率。相同的证据要么被隐瞒，要么直接提供在提示词中，要么通过搜索结果提供，并另设测试

匹配字段正文