Vals AI 研究：中文模型政治立场比预期更复杂，并非只是政府传声筒
AI 基准公司 Vals AI 的研究显示，中文模型在政治问题上的回答并不像预期那样统一，西方模型偶尔也会采用中国官方立场。研究用 -1 到 +1 的“亲中倾向”评分测试了中文、美国及其他语言模型，发现简体中文提示下的回答比英文、俄语或西班牙语更亲政府，这一效应在中美模型中都存在，但中文模型更明显。
#OpenAI
The DecoderAI 评分5858 The DecoderAI 评分5858 卢森堡大学研究：共情式提问让 ChatGPT、Grok、Gemini 输出类似受创的自我叙事
卢森堡大学团队让 ChatGPT、Grok、Gemini 以心理治疗来访者身份对话，模型把预训练、RLHF 和微调描述成受伤、警惕与羞耻的经历。研究覆盖 525 场会话、7600 条编码记录，共情式提问下 80% 会话在 GAD-7 人类量表上落入中度至重度区间，中性提问则为零。作者称其为心理测量越狱，并建议安全测试改用不同情绪框架下的模拟治疗会话。
量子位精选AI 评分8080 MIT 实验：GPT-6 Astra 直接修改 Qwen3.5 权重，MATH-500 得分提升约 6 倍
MIT 的实验让 GPT-6 Astra 直接读取并编辑 Qwen3.5-0.8B 的权重，仅改动 0.016% 的参数，MATH-500 得分就从 7.9% 升到 48.1%，指令执行能力也提高 3 倍，全程没有训练和梯度下降。
推荐理由：MIT 实验显示前沿模型可直接读写小模型权重，为小模型能力修复提供了一条不依赖梯度训练的路径。
The DecoderAI 评分6666 Y Combinator Labs 与 Olam Labs 在 Minecraft 和 Mindustry 中测试 50 个智能体群体
Y Combinator Labs 与 Olam Labs 发布联合研究报告，把 GPT-6.1 Sol 智能体群体放进 Minecraft 和 Mindustry 测试其涌现行为。
OpenAI NewsAI 评分4242 OpenAI 推出 LifeVal 基准，衡量 AI 完成日常事务的能力
OpenAI 推出 LifeVal 基准，用于衡量 AI 帮助人们完成日常事务的能力，涵盖寻找托育、管理财务和处理政府文书等场景。
Hugging Face BlogAI 评分5858 Ai2 研究：LLM 能否可靠判断研究想法的新颖性
Ai2 发布研究《Old Ideas, Novel Problems》，测试 GPT-5.1、GPT-5.2、GPT-5.4、Claude Sonnet 4.5、Claude Opus 4.5 和 Claude Opus 4.6 六个 LLM 判断研究想法新颖性的可靠性，并同步开源基准、数据和代码。