METR 评估认为 GPT-5 不太可能通过 AI 研发自动化、恶意自我复制或战略破坏构成灾难性风险。其在智能体软件任务上的 50% 时间视界约为 2 小时 17 分钟（95% CI 65 分钟至 4 小时 25 分钟），高于 OpenAI o3 的 1 小时 30 分钟。
推荐理由：METR 作为评估方亲历全程，报告给出时间视界测量、奖励作弊复查和情境 awareness 证据，可帮助读者理解第三方前沿模型风险评估的做法与局限。
METR 研究者 Thomas Kwa 提出一个仅 8 个参数的简化模型，预测在现有算力增长与算法进步速度下，AI 研发将在 2032 年底实现超过 99% 的自动化。该模型基于 33 参数的 AI Futures 模型（AIFM）简化而来，采用更保守的假设，多数模拟显示到 2035 年 AI 效率提升 1000 倍至 1000 万倍、研究产出提升 300 至 3000 倍。
METR 发布研究，复现并改进 Anthropic 的 CoT 忠实性评估，测试 Claude Sonnet 3.7、Claude Opus 4 和 Qwen 3 235B。
METR 研究员 Nikola Jurkovic 用 Claude Code 和 Codex 脚手架测量 Opus 4.5 与 GPT-5 的时间跨度，发现两者均未明显优于 METR 默认的 ReAct 和 Triframe 脚手架。
METR 在来自 stdlib-js 和 hypothesis 两个仓库的 18 个真实任务上，用 Inspect ReAct 智能体运行 Claude 3.7 Sonnet，算法评分下成功率为 38%（±19%，95% CI），但人工抽查的 15 个 PR 中无一可直接合并。
METR 研究员 Amy Deng 用 7 名技术员工 2026 年 1 月生成的 5305 条 Claude Code 转录，以 LLM 评审估算无 AI 情况下的任务耗时，得出时间节省因子约 1.5x 到 13x。作者认为该指标因任务替代、任务选择效应和员工专业化等因素而偏高，是真实生产力提升的软上限，并观察到更高的智能体并发度与更高的时间节省因子相关。
METR 与 Forecasting Research Institute 对 8 位 AI 预测领域专家和 10 位“超级预测者”开展试点调查，评估 AI 自动化 AI 研发带来的加速与社会影响。调查设定：若 AI 在 2027 年前在 AI 研发任务上达到顶尖人类研究员水平，出现 AI 进展速度提升 3 倍以上的概率；以及这种加速是否会导致全球能源消费一年内翻倍或减半等极端后果。
METR 发布 MALT（Manually-reviewed Agentic Labeled Transcripts）数据集，包含 10,919 条智能体转录，覆盖 403 个任务、86 个任务族和 21 个模型，用于检测 reward hacking 与 sandbagging 等威胁评估完整性的行为。
METR 研究员 Nikola Jurkovic 让 Opus 4.6 用简单 ReAct 脚手架复刻 Slay the Spire 和 Balatro 的 CLI 版本，得到基本可玩但有不少缺陷的实现。
METR 发布对 OpenAI GPT-5.1-Codex-Max 的评估报告，认为该模型在 AI R&D 自动化和 rogue replication 两个威胁模型上构成低风险的渐进式改进。
METR 研究发现，2024 年中至 2025 年中后期模型生成的通过 SWE-bench Verified 自动评分的 PR 中，约一半不会被仓库维护者合并进 main。
推荐理由：研究用真实维护者评审量化 SWE-bench 分数与实际可合并 PR 的差距，为解读编码基准提供了更审慎的参照。
METR 公布原型评估 SHUSHCAST 的初步结果，测试监测器能否发现 AI 智能体在主线任务掩护下隐蔽执行副任务。以 GPT-5 为智能体时，监测器可访问推理轨迹使捕获率提升超 50 个百分点，而对 Claude Sonnet 4.5 效果小得多，部分原因可能是其推理轨迹经过摘要处理。无推理轨迹时，智能体与监测模型的时间跨度比似乎可预测副任务蒙混过关的概率。
METR 发布时间视界估计新版本 TH1.1，任务套件从 170 个增至 228 个（8 小时以上长任务从 14 增至 31 个），评估基础设施从自研 Vivaria 迁移到 UK AI Security Institute 开发的 Inspect，并重新估计了 14 个模型的时间视界。
METR 研究者 Alexander Barry 检验不同建模选择对时间视界（time horizon）估计的影响。多数合理替代模型会降低近期模型的 50% 时间视界估计（如替代拟合可使 Opus 4.6 下降最多 35%、80% 上升最多 100%），但基本仍落在很宽的置信区间内；修正任务长度噪声可能使前沿模型 50% 结果下降约 30%（不确定性 0–60%）。
METR 对 GPT-OSS-20B、GPT-OSS-120B、Qwen-3-8B、Qwen-3-32B 四个推理模型做少量指令跟随微调（240 条样本、约 100K-300K tokens），在分布外任务集 CoTControl 上的 CoT 可控性从平均 2.9% 升至 8.8%。
METR 宣布重新设计其开发者生产力实验，认为 2025 年 8 月启动的二次研究中因开发者拒绝无 AI 工作而出现选择效应，使数据无法可靠反映 AI 工具的生产力影响。
推荐理由：原文解释了为何 AI 更广泛采用带来的选择效应使其实验结果不可靠，并给出初步数据与后续研究设计思路。
METR 研究人员对 NanoGPT speedrun 的 77 条记录分类，2024 年 5 月至 2026 年 3 月间 36 名贡献者将训练时间从 45 分钟降到 1.43 分钟，共 31x 提速。
METR 发布 MirrorCode 基准初步结果，显示 AI 智能体可完成数周时长的编码任务，包括重新实现一个 16000 行代码库。同页还汇总了 349 名技术工作者调查，自报因 AI 工具工作价值中位数提升 1.4–2x，以及跨 9 个基准的时间跨度研究和监测性评测初步结果。
METR 提出 AI 生产力提升（uplift）的三种度量——旧任务 uplift、价值 uplift 与新任务 uplift，并论证在简化假设下三者满足「旧任务 uplift ≤ 价值 uplift ≤ 新任务 uplift」。
METR 研究员 Parker Whitfill 与 Tom Cunningham 联合 7 位经济学家发布论文《The Economics of Recursive Self-Improvement》，用一系列简化模型分析 AI 如何加速 AI 研发，以及反馈效应是否强到足以形成"自我维持的加速"。
METR 在 2026 年 2–4 月调查 349 名技术工作者（含 87 名软件工程师、71 名研究人员、129 名学者与博士生、48 名创始人及管理者），自报 AI 工具带来的工作中位价值变化为 1.4–2 倍，中位速度变化为 3 倍。
METR 自 2026 年 2 月起开展试点评估，测试前沿 AI 开发商内部使用的 Agent 的错位风险，Anthropic、Google、Meta 和 OpenAI 参与。
推荐理由：报告给出多家前沿实验室参与的真实评估结果，读者可以据此了解当前模型在开放式任务和红队测试中的实际能力边界。
METR 研究员 Tom Cunningham 发布笔记，系统梳理了比较 AI 智能体能力的替代性度量指标，其核心是智能体得分函数 s_A(x) 与人类得分函数 s_H(x)，其中支出可解读为金钱、token 或时间。
METR 提出"支出视界"指标，用人类与智能体在优化问题上成本收益曲线的交点来量化智能体优化能力。以 NanoGPT speedrun 为例，人类每提升 1% 训练速度约需 16 小时劳动。
METR 研究人员检视漏洞、数学和算法发现的公开时间序列，判断 LLM 是否加速了整体发现率。漏洞发现明显加速，如 cURL CVE 从 2025 年的 9 个增至 2026 年 6 月 24 日前的 36 个（其中 15 个标注 AI）；数学发现有所加速但难以客观衡量，arXiv 数学提交部分领域 12 个月内翻倍；算法优化未见明显加速。
推荐理由：原文汇总多个公开时间序列，比较 AI 对不同领域发现速度的影响，提供了可核查的数据和方法。
METR 发布对 Anthropic 2025 夏季试点破坏风险报告的外部审查，认同 Claude Opus 4 和 4.1 造成灾难性破坏的风险很低。METR 认为报告证据总体清晰完整，但指出 Claim 2（Opus 4 无法在复杂任务中隐藏推理）对任务范围界定不够精确，可能导致对模型错位行为倾向和监控可靠性的结论过于自信。METR 还建议加强事件追踪、补充测试和训练数据过滤。
METR 更新《前沿 AI 安全政策共同要素》报告，目前已有 Anthropic、OpenAI、Google DeepMind、Meta、xAI、Nvidia 等 12 家公司发布前沿 AI 安全政策。报告梳理各政策的共同要素，包括能力阈值、模型评估、模型权重安全与部署缓解措施，并新增对欧盟 AI 法案通用 AI 行为准则及加州 SB 53 相关指引的引用。
LlamaIndex 与 Kaggle 联合推出开源基准 ExtractBench，评测文档提取系统在 370 份企业文档（4,869 页）、八个业务领域和 67 种文档类型上的表现，覆盖任务挑战、感知质量、表格结构、文档长度等五个维度，排行榜已上线 Kaggle。
MIT、Carnegie Mellon、NYU 与 Stanford 研究者在 Nature 发表论文，推出 AI 系统 Ataraxos，在隐藏信息棋类游戏 Stratego 上以 15-1-4 击败世界最强选手，并对顶尖人类选手取得 39-2 战绩。
Liquid AI 提出基于进化算法的 STAR 方法，可自动合成定制化神经网络架构，并已用其生成数百种设计，在质量上超过强 Transformer 与混合架构基线，同时缓存和参数量更小。
Liquid AI 基于 1.3B 的 LFM 模型提出一套后训练方案，通过约 4.5M 样本的 SFT 加短程强化学习，得到 LFM-1.3B-Math，在有限回复预算下实现较强数学推理。SFT 采用 3e-4 学习率、训练 3 个 epoch（约 1000 亿 token），首轮即提升平均性能 36%，后两轮再增 7.6%。该模型无需数学专用预训练，面向边缘设备等资源受限部署。
论文提出 SynthIDBio，一组可将可检测且不损害功能的水印嵌入 AI 生成蛋白序列与结构的方法。
针对棋盘战争游戏 Stratego 设计的 AI 系统 Ataraxos，为强化学习与搜索在不完全信息下的结合建立了一套有效设计模式。该成果发表于 Nature，指向战略决策领域长期追求的目标：在大量隐藏信息条件下仍能实现可扩展的决策。
一项覆盖 28,279 人的多祖先全基因组关联研究（GWAS）发现 BACH2 是胎儿血红蛋白（HbF）表达的调控因子，其通过抑制 NRF2 介导的 γ-珠蛋白基因转录激活来发挥作用。
该页面为 Nature 的 404 错误页，所请求内容不可用，无法获取关于 X-ray liquidography 解析偶氮苯异构化复杂运动的正文信息。页面仅提示链接可能失效或已不存在，未提供该研究的任何方法、数据或结论。
Fireworks AI 在 Kimi K3 和 Qwen3.5-9B 上复现了 Anthropic 提出的 Jacobian Lens（J-Lens），用拟合探针读取模型各层隐藏状态，在输出 token 之前就恢复出与最终答案相关的词汇，称为静默信号。
Epoch AI 的 FrontierMath 是一个由数百道未公开、高难度数学题组成的基准，分为 Tiers 1–4 四个难度层级。Tiers 1–3 覆盖从本科到适合高年级研究生的探索性问题，Tier 4 则是研究级数学。
Epoch AI 的 AI chip sales 数据页追踪并估算主要 AI 芯片的销量与出货量，以及估算的总算力、成本和功耗。数据主要来自公司财报评论、分析师估算和媒体报道，提供按芯片类型、组织和按芯片时间线的 CSV 及 ZIP 打包下载，更新至 Aug. 27, 2026，并附 H100e 算力口径等常见问题说明。
Epoch AI 通过标注知名 AI 模型训练所用的芯片来识别 ML 硬件，并补充了虽未见于这些系统训练记录、但依据描述、支持的数值格式或同族关系可判定为 ML 用途的硬件。该数据集为每块芯片记录数据手册信息，涵盖算力、裸片面积等，并借助新闻报道或硬件价格档案补充发布时价格；并非所有硬件都有完整或适用的信息，因此部分字段常为空。
OpenAI 的 GPT-6 Astra 以 166 分登顶 Epoch Capabilities Index，Math-ECI 达 170 创下新纪录，但软件工程 SWE-ECI 为 164，仍落后 Claude Fable 5.1 的 167。