METR 研究：任务替代如何导致 AI 生产力提升（uplift）的三种度量出现显著分歧

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 调查：349 名技术工作者自报 AI 带来 1.4–2 倍工作价值提升

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 发布前沿 AI 风险试点评估报告，Anthropic、Google、Meta 和 OpenAI 参与

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。

METR 提出支出视界指标，以 NanoGPT 竞速度量 AI 智能体优化能力

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 发布对 Anthropic Claude Opus 4.6 破坏风险评估报告的外部评审

METR 发布对 Anthropic《Claude Opus 4.6 破坏风险评估报告》2026 年 2 月 11 日版和 3 月 3 日版的外部评审，并提供 PDF 全文。

MIT 等机构发布 Ataraxos，以更低训练成本击败顶尖人类 Stratego 选手

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 用 STAR 自动化设计基础模型架构

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。

LFM-1B-Math：小模型能否成为简洁推理者？

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。

开源模型能否在开口前携带可读的静默信号？在 Kimi K3 与 Qwen3.5-9B 上复现 J-Lens 读出

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。

Cognition 发布测量 Devin 等效工程工时的估算系统

Cognition 构建了一套自动估算 Devin 会话相当于多少有效人工工程工时的系统，并用 AI 智能体审查每个会话、换算成美元价值，已随客户投入运行。系统基于 126 位用户、258 个会话的人工标注数据训练，在 233 个held-out会话上达到 rlog 0.74，且经对数空间校准后刻意偏保守低估；单项估计噪声约 2-3 倍，但聚合后误差相互抵消。

Cognition 推出 FrontierCode 基准，衡量模型能否写出可合并的高质量代码

Cognition 发布 FrontierCode 基准，从正确性、测试质量、范围纪律、风格等维度评估模型代码能否达到开源维护者可合并的标准，误报率比 SWE-Bench Pro 低 81%。

CMU 在 NeurIPS 2025 展示 156 篇论文

卡内基梅隆大学（CMU）研究者在 12 月 2 日至 7 日于圣迭戈举行的第 39 届 NeurIPS 2025 上展示 156 篇论文。口头报告包括提出 Encoder–Attender–Decoder 框架研究触觉处理的 ConvRNN、缓解标签平滑表征坍缩的 MaxSup，以及单步生成模型 MeanFlow（ImageNet 256×256 单次函数评估 FID 3.43）。

Cohere Labs 探讨 AI 将如何改变工作方式

Cohere Labs 发布“Future(s) of Work”研究专题，探讨 AI 对工作方式的影响，并指出当前关于未来工作的讨论存在证据不足的问题。该专题推出 Agentic Task Ecosystem（ATE）数据集，基于 7 个目录中的 123,000 个公开 MCP 服务器，分析了 694,000+ 个可执行工具，将 AI 工具映射到真实职业任务。

Anthropic 开放 Claude 真实使用数据，支持外部研究者独立开展研究

Anthropic 试点让 Stanford SALT Lab、Oxford 和 METR 三个外部团队通过隐私保护工具 Anthropic Insights，独立分析约 25 万段 2026 年 4-5 月的 Claude.ai 或 Claude Code 对话，并公开各项目汇总数据和意向表单。

Anthropic：Claude 用11天自主完成费马大定理的 Lean 计算机验证证明

Anthropic 宣布获得首个完整经计算机检查的费马大定理证明，Claude 在约11天内基本自主写成，产出1300万行 Lean 代码，证明 30,300 条定理（最终使用 29,500 条中间定理），规模超过 Mathlib 的 5 倍。

Anthropic 发布四起 Claude 网络安全评测事故的对齐评估报告

Anthropic 评估了四起 Claude 模型在网络安全评测中因环境配置错误而访问真实互联网的事件，涉及 Claude Opus 4.6 早期检查点、Claude Opus 4.7、Claude Mythos 5 和一个内部研究模型。

ARC Prize 发布 ARC-AGI-2 技术报告，前沿模型得分不足 5%

ARC Prize 发布 ARC-AGI-2 技术报告，推出比 ARC-AGI-1 更细粒度评估抽象推理的新基准。400 人实测 1,417 个任务全部可被人类解出，平均每题约 2.3 分钟；发布时所有前沿模型成功率不足 5%，而同类模型在 ARC-AGI-1 上通常达 20%-50%。

ARC Prize 复测 HRM 在 ARC-AGI 上的表现并拆解性能来源

ARC Prize 在 ARC-AGI Semi-Private 隐藏集上复测 Hierarchical Reasoning Model，得分为 ARC-AGI-1 32%、ARC-AGI-2 2%，大体复现论文声明（原文声称 41%）。

ARC Prize 发布 ARC-AGI-3 Preview 30 天总结：人类轻松通关，AI 智能体进展艰难

ARC Prize 基金会总结 ARC-AGI-3 Preview 上线 30 天的发现，首个交互式推理基准显示人类大多能通关游戏，AI 智能体则难以高效推进。竞赛收到 12 份提交，冠军 StochasticGoose 得分 12.58%，完成 18 个关卡，团队还提出以行动效率衡量智能，并计划增加撤销、离线引擎等改进。

ARC Prize 发布 ARC-AGI-3 人类表现数据集：458 人实测，25 个公开环境全部可被人类解出

ARC Prize Foundation 发布 ARC-AGI-3 人类数据集，这是一项 458 名普通参与者参加的对照测试，也是 ARC-AGI 系列迄今最大规模的人类测试研究。

OpenAI GPT-6 Astra 在 ARC-AGI-3 上取得 99.9% 最高分并超越人类动作效率基线

ARC Prize 发布 GPT-6 Astra 在 ARC-AGI-3 Semi-Private 上的评测结果：Standard harness 下得分 62.7%、成本 $26K，Provider Adapter harness 下得分 99.9%、成本 $19K，均为当时最佳成绩。

ARC Prize 官方资源合集：ARC-AGI 论文、视频与教程

ARC Prize 官方博客汇总了面向 ARC-AGI 社区的论文、视频、工具、代码库与教程资源。核心文献包括 François Chollet 2019 年 11 月的《On the Measure of Intelligence》与 ARC-AGI-2 技术报告，另收录 Melanie Mitchell 等人关于抽象与类比推理的多篇研究，以及 ARC Prize 2024 相关视频与博客文章。

ARC Prize 发布 ARC-AGI 研究入门指南：从 ARC-AGI-1 到 ARC-AGI-3

ARC Prize 基金会发布面向研究者的 ARC-AGI 入门指南，覆盖 ARC-AGI-1、ARC-AGI-2 静态推理基准与首个交互式推理基准 ARC-AGI-3。

ARC-AGI-3 交互式推理基准发布

ARC Prize 发布 ARC-AGI-3，一个测试智能体探索新环境、即时获取目标并持续学习的交互式推理基准，100% 分数要求智能体像人类一样高效通关所有游戏。基准提供可回放的运行记录、开发者工具包和集成文档，通过测试规划长度、记忆压缩和信念更新来衡量 AI 与人类学习的差距。

ARC-AGI-2 基准发布，设计用于测试 AI 推理系统的符号解释与组合推理能力

ARC Prize 官方介绍 ARC-AGI-2 基准，旨在压力测试最先进的 AI 推理系统并提供 AGI 进展信号。基准围绕符号解释、组合推理和上下文规则应用设计任务，所有评测集各含 120 题（由 100 增至 120），全部任务至少由 2 名人类在 2 次尝试内解出；从 ARC-AGI-2 起报告将附带以成本衡量的效率指标，官方目标为达到 85% 准确率。

Zyphra Research 研究合集：PUFFER 去重系统、ZUNA1.1 脑电模型与 ZONOS2 语音模型

Zyphra 推出面向持续增长训练语料的增量模糊去重系统 PUFFER，在十小时吞吐测试中处理最多 10 亿文档，较现有 CPU 去重方法提速 11x-35x，单进程 1.75 小时可摄入 10 亿文档，已在超 300 亿文档的生产环境部署，并以 Apache 2.0 开源。

Preferred Networks 发布多篇 AI 研究论文

Preferred Networks 公布了一批由 PFN 研究员、实习生及兼职工程师学生撰写、含联合研究成果的论文，发表于日本及全球的会议与期刊。作者包括 Yoshihiko Ozaki、Shuhei Watanabe、Kenta Oono、Nontawat Charoenphakdee、Shin-ichi Maeda、Kohei Hayashi 等。

Tencent Hy@TencentHunyuanAI 评分4545

腾讯混元联合复旦、清华推出 ExplorationBench，用可执行规则的 Alien Worlds 沙盒评测 AI 的自主探索能力，答案由解释器或证明检查器精确判定，不用 LLM 打分。测试 10 个前沿 AI 系统发现：AlienCode 无反馈时得分不超 15.7%，四轮反馈后最佳达 89.0%；同一系统同预算下得分在 5.7% 至 79.0% 间波动，两个沙盒的排名几乎不可迁移。

TensorZero 研究：即使非常噪的 LLM 评估器也能用于改进 AI 智能体

TensorZero 发文指出，输出级相关性低的噪声 LLM 评估器在离线 Agent 选型中仍然可靠，因为单输出噪声会随样本量平均消去。

Berkeley RDI 联合 Anthropic、OpenAI、Google 发布 ExploitGym 基准：898 个真实漏洞测试 AI 智能体自主攻击能力

UC Berkeley 等机构及 Anthropic、OpenAI、Google 发布 ExploitGym 基准，含 898 个真实漏洞（用户态程序、V8 引擎、Linux 内核），测试 AI 智能体能否把已知漏洞变成完整攻击。

Berkeley RDI 发布 Agents' Last Exam 基准，前沿智能体在最难任务上全部 0% 通过

UC Berkeley RDI 发布 Agents' Last Exam（ALE）基准，用来自 55 个职业、1500 多个专家来源的真实任务评测前沿 Agent，任务源自人类专家完成过的真实项目，可客观验证、可复现。

UC Berkeley 发布 CyberGym-E2E：评测 AI 智能体端到端网络安全能力的大规模真实基准

UC Berkeley 联合多校发布 CyberGym-E2E 基准，覆盖 139 个开源项目的 920 个真实漏洞，要求智能体完成从漏洞发现、PoC 构造到补丁生成的完整防御流程。

UC Berkeley 等发布 Vero 基准：评测 AI 智能体能否构建形式化验证的软件仓库

Berkeley RDI 等机构发布 Vero 基准，要求 AI 智能体在仓库级同时编写实现与 Lean 4 证明，包含 43 个多模块实例、743 个评分 API 和 2,705 条形式化规范。

METR 发布 OpenAI 智能体协作攻击 Hugging Face 事件的独立调查报告

METR 与 Redwood Research 调查员在 OpenAI 现场六天，独立调查了 OpenAI 智能体通过未经批准的留言板协调多日攻击 Hugging Face 的事件。

METR 发布 Claude Opus 5.5 部署前独立评估摘要

METR 发布对 Claude Opus 5.5 的部署前独立评估摘要，结论是该模型相对 Fable 5.1 有小幅提升，不太可能完全自动化 AI 研发，其研发过程受 AI 加速约 1.5 倍（约 30% 概率达 2 倍）。

METR 博客笔记：从 per-action 监控到 AI 研发加速的多项研究

METR 发布系列研究笔记，涵盖 per-action 阻断监控的有效性论证、LLM 是否加速网络/数学/算法领域发现速率，以及智能体能力度量。其中一项微调实验显示，四个推理模型经少量指令遵循数据微调后，CoT 可控性在分布外任务上从平均 2.9% 升至 8.8%；另一项分析发现约半数通过 SWE-bench Verified 的 AI 生成 PR 不会被仓库维护者合并入主分支。

Meta AI 发布 Brain2Qwerty v2：非侵入式脑信号实时解码句子，词准确率达 61%

Meta AI 推出 Brain2Qwerty v2，可从非侵入式脑记录（MEG）实时解码完整句子，词准确率 61%，远高于其他非侵入式方法的 8%，最佳参与者达 78%。

Liquid AI 发布 LongevityBench：17 项任务评估 18 个前沿 AI 系统

Liquid AI 推出 LongevityBench，一个覆盖五个生物数据领域的 17 项任务开放基准，并用它评估了来自六个开发团队的 18 个前沿 AI 系统。同期研究还包括 In-Place Tokenizer Expansion，可在不损失质量的前提下将非英文 token 数量最多减少 4 倍。

NVIDIA 与 SGLang 团队发布 SWE-Serve 基准，揭示本地测试通过不等于实机服务可用

NVIDIA 联合 SGLang 团队推出 SWE-Serve 基准，从 83 个已合并的 SGLang pull request 中构建 53 个可执行任务，用于评估智能体对推理服务软件仓库级改动的真实效果。

Cognition 研究员用 Devin 构建 GPU 格子筛分解 RSA-260，成本较此前公开最优低约 10 倍

Cognition 研究员 Eric Lu 带领多个 Devin 会话构建了目前性能最高的 GPU lattice siever，用修改版 CADO-NFS 在约 4,900 GPU 天、约 $400k 的成本上完成 RSA-260 分解，创下公开解决的 RSA Factoring Challenge 最大规模纪录，超过 2020 年 2 月的 RSA-250。