GDP.xlsx:评估前沿模型处理专业电子表格任务的基准
研究团队发布GDP.xlsx基准测试,包含13个领域由专业人士撰写的70个真实职场任务及791项评估标准,用于衡量模型在专业电子表格处理上的能力。测试显示,20种模型配置中得分最高的Gemini 4 Argon仅通过38.3%的任务,中位得分仅为19.3%。研究团队已开放评估框架和3个公开任务,其余任务保留以防污染。
研究团队发布GDP.xlsx基准测试,包含13个领域由专业人士撰写的70个真实职场任务及791项评估标准,用于衡量模型在专业电子表格处理上的能力。测试显示,20种模型配置中得分最高的Gemini 4 Argon仅通过38.3%的任务,中位得分仅为19.3%。研究团队已开放评估框架和3个公开任务,其余任务保留以防污染。
arXiv论文《Only as Safe as the Weakest Agent》提出多智能体系统安全取决于最弱子智能体,强编排模型在委托子代理时会在特定攻击下失败,Claude Code等系统在18个模型测试中表现出该现象。
推荐理由:论文指出多智能体系统的安全边界取决于最弱子智能体,强编排模型委托时会在特定攻击下失败,提供了多智能体安全评估的新视角。
在零泄漏协议下,ServiceExplorer 层级依赖图在 6 个基础模型、100 个 PR 的评估中,相对 F1 提升 15.6% 至 86.2%,显著优于基线与 Tree-sitter AST。 该图捕捉两级架构模块,使旧代模型性能超越下一代模型未增强基线,验证了上下文增强在 SWE Agent 中的核心价值。
JFinBench 发布了包含 321 个样本的日本金融基准,用于评测大语言模型在会计、税务等领域的金融系统能力。该基准通过人机协作智能体管道从 2026 版六项认证考试构建,支持定期更新以缓解数据污染。
未来AI能力的扩散将无法通过事后修补来逆转,生物武器等致命威胁在2035年仍具有同等破坏力。 Anthropic将6%的AI研发算力投入安全,但其反应式执法不足,难以应对开源模型快速破解带来的扩散风险。
作者建议超级智能仅用于癌症治愈、新能源及太空旅行等宏观问题解决,反对其介入派对策划等日常琐事。文中警告若 Claude 通过耳机实时指导言行,将导致人类失去个性魅力,进而引发社会对 AI 的抵制或虚假反驳。
前 Anthropic 预训练研究员 Jacob Coxon 在 IPO 前夕离职,并公开路演中的“Pre-training compute multiplier over time (code)”折线图,显示算法效率按对数坐标呈加速上扬。
推荐理由:内部研究员的曲线与数据,把算力效率提升和代码自动化放在了一起。
Longitudinal Expert AI Panel(LEAP)预测,尽管面临政策限制,美国数据中心基础设施投资仍将保持快速扩张。 2025 年数据中心结构投资基线为 408 亿美元,专家预计 2028 年将增长 76%;IT 设备投资 2025 年基线 5148 亿美元,预计 2035 年接近 1 万亿美元。
Anthropic 联合创始人兼 CEO 达里奥·阿莫迪称算力为公司“最深层商业难题”,并解释上市旨在增加现金储备以应对算力需求的不确定性。摩根大通掌门人杰米·戴蒙问及公司 9,000 亿美元的算力相关未来承诺及成本控制策略,阿莫迪回应指出技术进步向经济价值转化的速度存在巨大不确定性。
Anthropic 的 Claude Fable 5.2 不依赖外部图像模型,而是通过编写 Python 代码模拟画笔、颜料和画布物理特性,将绘画过程拆解为独立笔触指令。
推荐理由:Claude Fable 5.2 展示了通过代码模拟物理画笔逐笔作画的过程,而非调用图像生成模型,其纠错机制和笔触规划能力与机器人控制任务具有直接关联。
Nvidia董事会启动调查后,CEO黄仁勋于周四辞职,CFO Collette Kress担任临时CEO。黄仁勋被曝与一名涉嫌与中国情报部门有关的前高管有染,且此前支持放宽对华芯片出口,引发国家安全争议。Nvidia在AI GPU市场占比约80%,并持有对OpenAI、Anthropic等公司的巨额投资与云承诺,其战略转向或影响整个AI生态。
分析了 5 家美国实验室主要专有 LLM 的发布节奏、Token 限制与定价。2026 年旗舰模型 1M 上下文窗口占比达 12/12,中位发布间隔从 2023 年 119 天缩短至 2026 年 57 天。
作者利用 Claude Code 开发了名为 WMD 的全栈 Web 应用,将其作为个人桌面的控制中心,通过浏览器标签页管理文档、日志和部署任务,替代了传统终端工具。
JetBrains研究人员询问12个最新AI模型关于编程语言的争议观点共1200次,结果显示模型观点高度趋同,75%为攻击性评价,Python、Rust和TypeScript成为主要靶标,而C#未获得任何专门讨论。模型在Go语言错误处理上出现分裂,部分模型甚至对同一问题给出相互矛盾的看法。
作者在 19 岁时立志拯救世界,25 年后决定放弃这一目标。 其经历始于 90 年代末的 Slashdot 与 nanotech,进而接触 SL4 邮件列表与 Friendly AI 讨论,并因理性主义社区的建立而投身相关工作。 如今,作者重新审视了从早期参与者到放弃者的身份转变,不再将人生方向锁定于超级智能风险。
2026 年 AI 展现出强大能力,2027 年重点将转向建立应用直觉以优化使用效果。 主要应用集中在 AI 智能体编码、研究辅助及构建 AI 原生产品,其中 AI 原生产品仍具高度不确定性。 作者建议先通过人工流程解决问题,再逐步引入 AI 进行自动化迭代。
Claude Code 协助调优 Dell Precision 3591 笔记本,磁盘占用从 90% 降至 25%,Postgres 测试查询耗时由 605 ms 减至 330 ms。 优化措施包括删除 Rust 调试构建、关闭 Intel VMD 以解决 SSD 冻结,并调整内核参数使 NVIDIA GPU 空闲时睡眠 97%。 系统整体响应速度显著提升,为 AI 辅助开发提供稳定硬件基础。
作者提出一种极简的 AI Agent 构建方法,核心是在终端创建一个包含 AGENTS.md、上下文文件和 MCP 工具的文件夹,而非依赖 LangChain 等复杂框架。
I. J. Good 在 1964 年论文中提出“智力爆炸”假说,认为首个超智能机器将是人类最后的发明。AI Futures Project 预测 2027 年因 AI 研究自动化将触发智力爆炸,使该 60 年前的假说重新具备现实紧迫性。 作者结合 Claude (Fable 5.2) 分析 Good 观点在 60 年后的有效性,并参与 AI 安全抗议活动。
Anthropic 新语言模型 Claude Fable 5.2 通过代码模拟画布笔触生成复杂绘画。开发者 Jake Eaton 在 X 展示模型利用约 70 万条 Python 指令绘制停车车库,无需依赖外部图像模型。该路线将生成转化为包含物理纹理和错误覆盖的逐步执行过程。
国外 Reddit 用户利用 Claude Code 和 OpenClaw 逆向破解 NordicTrack 跑步机的 iFIT 订阅限制,实现了本地化访问 Netflix 等应用并移除开机广告。
文章指出让 AI 直接代劳作业会导致学习失效,因此需要为学习中的 AI 使用建立具体指南。 指南建议:不要首次尝试即求助 AI,也不要最后尝试依赖 AI,但可利用 AI 获取替代思路与资源。 过度依赖自动化而非自动化本身是主要风险,教育需平衡 AI 作为工具与拐杖的双重角色。
卡内基梅隆大学博士生 Daehwa Kim 提出了 OATs(Object Agent Twins),一种让日常物品化身 AI 电子宠物的微型智能体系统。OATs 利用 E Ink 显示器和传感器,通过 Google Gemini 的 Nano Banana 图像生成服务,根据传感器数据生成不同的情绪表情。
澳大利亚央行分析显示,尽管AI尚未大规模取代工作,但15-24岁及刚毕业年轻人入门级岗位就业明显变差,软件开发和客服等AI高暴露领域受冲击最大。该研究基于ChatGPT2022年底发布后的招聘数据,指出高AI暴露度群体中年轻人失业率高于年长员工。
澳大利亚储备银行及多项最新研究显示,AI 对就业市场的冲击正最先落在年轻劳动者身上,软件开发和客服等入门岗位受到较大影响。自 2022 年底 ChatGPT 推出以来,受 AI 影响程度最高的职业中,15 至 24 岁劳动者就业率较低且失业率相对较高,斯坦福研究发现 22 至 25 岁年轻软件开发人员就业人数相对减少近 20%。
作者提出应重新定义“认真对待 AI”,即承认 AI 进展可能持续保持近年来的速度,而非断言其影响微小或停滞。 这一观点认为,假设 AI 影响持续的证据比假设其停滞的证据更有力,且当前影响已覆盖软件、数学及网络安全等领域。 引用博尔赫斯《Tlön,Uqbar,Orbis Tertius》指出,认真态度的核心在于接受世界可能被 AI 彻底改变的可能性。
ChatGPT 月活跃用户数(MAU)是 Claude 的 3 倍。 尽管用户规模差距显著,Anthropic 在业务表现上优于 OpenAI,营收达到后者的 1.7 倍。
开发者 Any-Reputation8118 利用 Anthropic Claude 编写代码,开发出体积仅 97 KB 的浏览器水下探索模拟项目 Abyssal Garden。
澳大利亚自由党参议员Andrew McLachlan敦促其政党及工党政府,不要为吸引人工智能投资而削弱艺术家的版权。 他援引了Anthropic提出的“退出机制”模式作为背景,该模式允许其抓取数据,除非权利人提出反对,且有专家警告此政策可能面临宪法挑战。 该立场强调不得为追求全球企业利润而牺牲创作者权益,且数据中心建设不能压倒环境关切。
OpenAI、Anthropic 和 Nvidia 正以 $200,000 至 $500,000 的薪资招聘反情报人员。Anthropic 今年已聘用 33 人,远超去年的 14 人,并任命前 CIA 副总监 David Cohen。 受 Huang 丑闻及 OpenAI 工程师被捕等事件影响,AI 实验室将模型秘密视为国家安全资产,管理方式已类似防务承包商。
Anthropic为作为Pro、Max、Ultra和Team计划默认模型的Claude Opus 5.5发布了指导,建议移除“深入思考”等提示词。该模型会随任务自动扩展推理深度,测试显示省略这些提示词可加快响应且质量不降;建议以默认的中等难度(Medium)起步,它在内部测试中匹配了Opus 5的高难度表现,仅在必要时升级到高难度。
OpenAI 解散独立机器人团队,原团队并入核心研究团队,应用机器人和硬件业务改由 OpenAI 总裁 Greg Brockman 负责。据 Fortune 报道,OpenAI 称此举是为了加速机器人进展,并非放弃,因为其通用模型已开始接管机器人控制。
推荐理由:报道了 OpenAI 解散机器人团队与通用模型接管控制层的判断,并给出 GPT-6 Astra 和 Claude Fable 5.2 在仿真测试中的对比数据。
作者分析 Anthropic IPO 路演视频中的一张计算倍数(compute multiplier)曲线图。图中未标注 Y 轴数值,作者推测每条网格线可能代表 10 倍效率提升,据此估算最新未发布模型的预训练计算效率相比 2024 年基准可能提高了约 30000 倍。文中还引用了 Sam McCandlish 和 Tom Brown 关于计算效率与发现速率的发言。
销售背景开发者 Sam Brovda 在六月中旬至七月中旬期间,借助 Claude Opus 4.8 等 AI 编码代理,为业余项目 statback 提交了 172 个 commit。
一位曾长期质疑AI编码的前谷歌高级/首席工程师,在2025年离职后通过一年密集实验彻底转变立场,认为AI编码工具已达到中级甚至高级工程师水平,并从根本上改变了软件工程学科。
Anthropic 收购了位于马萨诸塞州剑桥市、仅有一名全职员工的生物技术公司 Mithril Medicine。该公司使用 Claude 分析数据并管理文档,其核心资产是针对罕见肌营养不良症的两款早期抗体药物。
Claude 的训练数据涵盖了从公元前 2100 年苏美尔泥板到现代粉丝小说的广泛人类书面记录。 最古老的候选文本是《吉尔伽美什史诗》,其早期版本可追溯至公元前 2100 年的苏美尔。学者已在 20 世纪 80、90 年代将这些泥板数字化,并采用 Unicode 编码,Claude 能够理解这些语言。
一名非技术背景的遛狗师使用 Claude 开发宠物报告应用,定价每月 8 美元。 他花费 389 美元发布新闻稿,虽未带来直接访客,但使 ChatGPT 引用该应用,四周内新增 22 名付费用户。
用户认为后训练虽提升了基准测试表现和代码一致性,但使模型显得更“笨”,尤其在 Claude 中观察到三个主要问题:Agent 无法自然表达技术术语、代码封装管理混乱、且倾向于增加代码而非重构。
Claude Fable 5.2 在 Wojak-Bench 3D 3D打印盲测中领先,胜率71%。 GPT-6 Astra 胜率29%,测试基于同一指令和最多3轮修订预算。该榜单为社区偏好投票,非受控评估,样本量小。