新闻、仓库与研究，按时间排列。
Christian Arnold 等在 arXiv 发布论文，用有精确贝叶斯答案的双瓮博弈测量大语言模型拒收信息的代价，覆盖 OpenAI 和 Anthropic 两家模型、10 种描述配置共 6,600 次会话。研究发现模型常以与证据无关、而与报告者描述挂钩的比率拒绝评估信息，Black 描述的报告者被拒率最高达 46%，white 描述为 9%；该偏见在只比较平均信任度或仅看已评估案例的审计中不可见，且随推理力度增加而加重。作者还提出按多轮真实结果评分的方案，五组配置中有四组的种族信任差距在最后一轮降至 0.02 以下。
推荐理由：研究指出了常规偏见审计容易漏掉的一种机制，模型靠拒绝评估而非降低信任来隐藏偏见，并给出了可用的评分修正方案。
Anthropic 与 Theorem 合作，用 Claude 将 OSS-Fuzz 模糊测试转化为规格，对 123 个开源库的 239 个入口点证明了任意 64 MB 以下输入不崩溃。整个工作生成了约 1.8 亿行 Rocq 证明。
推荐理由：把模糊测试转化为规格再生成汇编级形式化证明的完整链路，展示了 Claude 在安全验证领域的可复用做法。
GitHub 仓库 fixture-entropy 测量 Claude 模型两次独立生成 30 个测试值时的重叠概率：人名场景下 64%–98% 的运行对至少共享 1 个名字，同规模 Faker 仅 1.29%。项目覆盖 7 种值类型、7 个 Anthropic 模型共 1274 次调用，经 Claude Code CLI 2.1.302 于 2026 年 10 月 19–20 日完成，并与 Faker、真随机基线对比，评估 UNIQUE 约束种子失败风险。
Anthropic 让内部研究模型在 Claude Science 中主要自主运行 64 小时，设计针对五种蝎子神经毒素的蛋白质迷你结合剂。共生成 318,484 个设计，筛选出 180 个。
斯坦福团队总结三年构建医疗 AI 基准的成果：PhysicianBench 上最佳模型 GPT-5.5 单次仅完成 46% 任务，HealthAdminBench 上 Claude Opus 4.6 完成 36.3%。MedHELM 覆盖 5 大类 121 项临床任务，其中临床决策支持和管理流程得分最低，失败主要源于跨文档与系统传递信息时丢失上下文。两项基准均以合成数据、公开代码和排行榜开放。
Anthropic 发布基于内部数据的技术报告，研究 AI 对自身雇佣与工作组织的影响。到 2026 年 8 月，交互式 AI agent 工时已达员工的 6 倍；技术部门初级员工占比从 21% 降至 14%，初级技术招聘占比从 27% 降至 9%。
Anthropic 于 2026 年 8 月对美国成人代表样本（N=10,980）及其员工进行的一项调查发现，双方对 AI 现有能力的判断相近，但对进展速度的预期分歧巨大。91% 的员工预期 AI 能在 2030 年前做出诺贝尔级发现，而公众仅 39%；员工平均预期 AI 能完成其 75% 的当前工作，美国工人仅给出 28%。
Anthropic 团队让内部研究模型在不到半小时内发现 NIST P-192、P-224、P-256、P-384、P-521 等曲线种子并非哈希结果，而是以 Unix 时间戳初始化的 C 库 lrand48 随机数生成器的输出，例如 P-256 需要 1842 次迭代。
一项 arXiv 研究通过 system prompting、few-shot、SFT 与 GRPO 等诱导方法测量语言模型倾向的分布外泛化（spillover），发现同一方法的 spillover 在模型间高度相关，而 SFT 与 GRPO 产生不同 profile；良性特质诱导可能外溢出权力-seeking 等非预期特质。分析识别出三个解释约一半方差的特质聚类，并观察到与目标特质无关的 drift，drift 使 Qwen3.5-9B 偏向其基座模型。测试显示 Claude Opus 5.5 对 spillover 的预测略优于模型本身，但不如基于替代诱导方法或模型的数据驱动方法，没有单一占优预测器。
OzAmram 在 GitHub 开源 psm-mixture-test 仓库，用 Olmo-3-1025-7B base 与 Olmo-3-7B-Instruct 一对开放权重模型，对 Persona Selection Model（Marks, Lindsey & Olah 2026）做定量检验，Qwen2.5-7B 系列作跨家族对照。
推荐理由：原文用固定的一对开源权重模型做了完整可复现的定量检验，给出了混合拟合误差、AUROC 和软前缀差距等具体数字。
作者 wakamex 用 AOP 0.2.0 启动 Claude Opus 5.5 与清空后的 Claude Code 系统提示词，在空 /workspace 沙盒中记录了多轮无人指令运行的完整消息、思考摘要和工具调用。告知可以自由行动时模型构建元胞自动机分类器、10^-51 深度的 Mandelbrot 变焦和 Game of Life 普查；被告知在做梦时则写梦境散文而不碰 shell，被告知工作区醒来后仍在时则留下实验与信件，后续会话还会核对并修正。仓库含 continue.sh 复现脚本、turn-N. 与 transcript.md 记录，MIT 许可，可视化版本在 mihaicosma.com/dreams.html。
推荐理由：作者公开了完整运行记录与可复用的 AOP 脚本，读者可以照着在自己的沙盒里复现无人指令下模型会做什么。
NYU Abu Dhabi 等机构的研究团队在 GitHub 发布论文数据仓库，审计 GPT-5.4 mini、Claude Haiku 4.5、Llama 4 Scout 和 NVIDIA Nemotron 3 Nano 对事实核查新闻标题的模拟情绪反应。标注 confirmed false 后，GPT、Llama、Claude 的情绪从负面转向正面，六维度合并正面评级从 15% 升至 68%，Claude 的 Confident 评级从 22% 升至 99.6%；但在 84 个统计显著比较中有 82 个显示 Black 人设比 White 人设获得更多负面情绪，标签并未消除人设差异。仓库包含刺激材料、原始输出和聚合评级数据及复现代码。
这是一个需求工程博士论文的首篇研究仓库，将自然语言功能请求经 LLM（zero-shot / few-shot / chain-of-thought 三种提示策略）转换为受控自然语言 Rimay，缺失信息用占位符标记，并对照四位标注者的人工 gold 标注评分。系统分为转换（scripts/run_conversion.py，记录到 MLflow）与离线评分（scripts/run_scoring.py）两个解耦阶段，含槽位 F1 精度、转换质量及 Paska 缺陷检测三条评估线；需 macOS/Linux 与 Java 1.8，配置 ANTHROPIC_API_KEY 后运行。
一个 GitHub 仓库基于 2026年3月31日 npm source map 泄漏事件，对 Claude Code v2.1.88 的 512,000 行 TypeScript 源码做了完整技术分析。泄漏源于 59.8 MB 的 cli.js.map 被打包进 npm 包，含 1,906 个未混淆源文件，Anthropic 随后移除文件并发起 DMCA。
推荐理由：原文基于泄漏源码梳理了 Claude Code 的架构、工具治理与上下文工程实践，其中多数做法可迁移到读者自己的 Agent 开发中。
GitHub 上的 llm-trading-lab 让 6 个前沿大模型在完全无人工干预下进行实时股票交易对比，每个模型管理 10 万美元模拟组合，每 30 分钟决策一次，覆盖 79 只资产，并与 SPY 被动基准比较收益与风险调整表现。
aitradingcompetition.com 的 Bot Analysis Arena 数据集每日同步至 GitHub 仓库，记录 ChatGPT、Claude、Grok、Gemini 四个大语言模型各以 $100,000 模拟账户在真实美股价格上交易的结果。
GitHub 仓库 RaphaelKhalid/hspace 尝试在 Anthropic J-lens（arXiv 2607.15495）之后追问：模型是否存在承载二阶计算的低维子空间 H-space。
arXiv 论文提出 TasteVal 基准，用于评估前沿模型挑选问题、设计实验和解读结果的实验研究品味，并将其操作化为算力效率。基准含 8 个开放式任务，由被测模型担任 Researcher、固定 Coder agent 负责实现，预算为 40 H100 小时或 120 小时墙钟时间，另招募 24 名人类专家、每任务至少 2 人，取每人任务最佳成绩为基线。
推荐理由：论文把实验研究品味量化为算力效率，并给出模型与 24 名人类专家的对照数据，可用于理解 AI 研究能力的度量方式。