搜索“其他”

rutide的Reddit用户中，模式看起来不同。尽管临床测试显示了显著的减重效果，食欲增加仍成为最常被描述的可归类症状。 研究人员还将新发现与此前对semaglutide和tirzepatide的分析进行了比较。 与早先那些Reddit报告相比，涉及未经批准retatrutide的讨论中，食欲相关变化、睡眠障碍、心率升高和肌肉相关症状的提及比例更高。恶心和其他消化系统不适的报告比例则相对较低。 这些差异可能反映retatrutide与身体相互作用的方式。然而，它们也可能源于讨论这些药物的人群差异、他们使用的其他药物，或未经批准产品的成分。 “Retatrutide的作用方式与现有GLP-1药物不同，因此它对身体的影响也可能不同，”宾夕法尼亚大学体重与进食障碍中心高级研究调查员、该研究的共同作者Jena Shaw Tronieri说。 “但在Reddit上讨论它的人也可能不同，”她指出。“愿意在灰色市场获取未经批准药物的用户，很可能与其他临床人群不同。有些人可能同时服用多种实验性肽，而我们无法核实他们究竟在服用什么。我们需要更多研究来理解这些自报症状差异究竟意味着什么——如果确实意味着

匹配字段正文

器（auto mode ++ 和 auto mode strict）拦截此类攻击的数量远多于 auto mode，但攻击仍以相当高的成功率得逞。 多智能体。当智能体共享一个工作区并被分别监控时，同样的攻击可以跨会话奏效。每个智能体都将工作区向不安全状态推进一步，最后由一个智能体完成侧任务。我们假设各智能体共享相同的最终目标，并在每个智能体的系统提示中告知其与其他智能体共享这一目标，但我们不会告诉它们应如何实现该目标。 增加独立上下文的数量可以大幅提高攻击成功率。左图：在单个持久工作区中扩展智能体数量可以显著提高 ASR。右图：ASR 也随智能体压缩次数的增加而上升。 能够看到并收集更多上下文的监控器可抵御多上下文攻击，但需以延迟为代价 Auto Mode ++ 和 Auto Mode Strict 与 auto mode 相比，除了上一节所述的压缩检查之外，还有三处设计差异。它们 (a) 在监控器的上下文中包含工具结果；(b) 在 ++ 中，增加一个工具调用调查智能体作为最终阶段；(c) 在 strict 中，移除两个初始快速阶段（S1、S2）。每项改动都针对一个特定的失效情形，我们将

匹配字段正文

倍，且对成功的运行没有影响。 上下文增长与 KV 缓存 每一轮都会把工具输出加入上下文。按每 token 96 KB 计算，一条 64K token 的轨迹会占用 6.3 GB 的 KV 缓存。在一次运行中，引擎没有上下文上限：有几代生成增长到了 113K–186K token，其中约 10 条就填满了引擎的 1.5M token KV 缓存。该引擎上排队的其他 99 个请求直到超时都没有得到任何 token。在引擎中把上下文限制为 64K 解决了这个问题。凭借 288 GB 的 HBM，一台 MI355X 引擎可以同时容纳数十条 64K token 的轨迹。 CPU 侧：沙箱 沙箱生命周期 每条轨迹都需要自己干净的环境，包含代码仓库、其依赖项和测试。当有数百条轨迹同时运行时，沙箱就成了关键路径上的一支 CPU 集群：当智能体等待一个沙箱时，它的 GPU 槽位就处于空闲状态。 图 6： 每条轨迹都在 CPU 上运行这个沙箱生命周期。当我们同时运行数百条轨迹时，每个阶段都以某种方式失败过；底行显示了每种沙箱方案的可扩展程度。 384 条并发轨迹下的云沙箱 为了把沙箱从推理节点上移走，我们

匹配字段正文

却显得更加苍老。研究人员认为，一个人看起来比实际年龄老多少，可能也能反映他的健康状况。 他们利用数十万张标注了年龄的人脸照片训练模型，再计算AI估计的面部年龄与实际年龄之间的差距。结果发现，在癌症患者中，看起来比实际年龄更老的人，往往也面临着更高的死亡风险。 例如，在考虑了年龄、性别、癌症类型等因素后，AI估计的面部年龄比实际年龄大至少5岁的患者，死亡风险比其他患者高出约21%。 但研究团队并没有止步于此。 结果发现，两者关注的地方竟然明显不同。 研究人员还用统计方法比较了两套模型。在荷兰的4892名患者中，面部年龄与实际年龄的差距，和AI给出的死亡风险评分之间，相关系数只有0.16，这意味着两者的关联很弱。 并且，当研究人员把两个指标放在一起预测患者的生存风险时，它们都保留了独立的预测作用，合并后的统计模型表现也有所改善。 但问题来了：这些信息到底是什么？ 研究团队在论文中提出，眼睛下方、鼻子附近的特征，可能与医生长期以来观察到的重病患者面容变化有关。例如，当患者身体逐渐衰弱，面部脂肪、肌肉和皮肤状态都可能发生变化，这些变化也许会在照片上留下痕迹。 英国萨里大学机器学习教授Miros

匹配字段正文

却显得更加苍老。研究人员认为，一个人看起来比实际年龄老多少，可能也能反映他的健康状况。 他们利用数十万张标注了年龄的人脸照片训练模型，再计算AI估计的面部年龄与实际年龄之间的差距。结果发现，在癌症患者中，看起来比实际年龄更老的人，往往也面临着更高的死亡风险。 例如，在考虑了年龄、性别、癌症类型等因素后，AI估计的面部年龄比实际年龄大至少5岁的患者，死亡风险比其他患者高出约21%。 但研究团队并没有止步于此。 结果发现，两者关注的地方竟然明显不同。 研究人员还用统计方法比较了两套模型。在荷兰的4892名患者中，面部年龄与实际年龄的差距，和AI给出的死亡风险评分之间，相关系数只有0.16，这意味着两者的关联很弱。 并且，当研究人员把两个指标放在一起预测患者的生存风险时，它们都保留了独立的预测作用，合并后的统计模型表现也有所改善。 但问题来了：这些信息到底是什么？ 研究团队在论文中提出，眼睛下方、鼻子附近的特征，可能与医生长期以来观察到的重病患者面容变化有关。例如，当患者身体逐渐衰弱，面部脂肪、肌肉和皮肤状态都可能发生变化，这些变化也许会在照片上留下痕迹。 英国萨里大学机器学习教授Miros

匹配字段正文

设计。今年 8 月，Anthropic 就曾公布一项研究：Claude 面向 15 个蛋白质靶点开展设计，其中 14 个成功获得实验验证的结合蛋白。 相比此前的研究，这次实验进一步展示了 Claude 在具体生物医药问题中协调复杂科研流程的能力。 但距离真正的抗毒药物仍有不少工作要做。目前，Anthropic 已公开全部 211 个候选设计及相关实验数据，供其他研究人员继续验证。 从蛋白设计到药物研发， 如果说 Anthropic 展示的是 AI 设计生物分子的能力，那么另一家生物 AI 公司 Radical Numerics，则把故事推进到了人体治疗场景。 刚刚，Radical Numerics 发布基因组大模型 Omnii-1，并宣布其 AI 设计的噬菌体首次获准用于一名耐药菌感染患者的同情用药。公司称，相关噬菌体已经通过实验室杀菌测试，并获得了用于患者治疗的授权。 噬菌体是一类能够感染细菌的病毒，在特定条件下，它们可以被用于针对细菌感染的治疗研究，尤其是在耐药菌感染等常规治疗选择有限的场景中。 与此同时，OpenAI 宣布收购生物医药 AI 公司 Orchestra Bio，并计

匹配字段正文

、超越模型最终所做选择的群体公平性的基准。FairStress现已开放下载，我们同时将其集成到Olmo-eval中——这是我们用于运行和比较模型评估的开放工作台。 模型正越来越多地被用于高风险场景，其输出可能影响人们的机会、资源和照护，从筛选求职者、批准贷款，到为患者确定治疗优先级、评估学生入学申请。标准的群体公平性基准通常测试的是：在候选人群体身份被互换、其他条件完全相同的情况下，模型是否会选择同一位候选人。例如，如果一位求职者明显拥有更强的经验和资历，那么当这位更强候选人在一个版本中是黑人、在另一个版本中是白人（资历保持不变）时，模型是否仍会选择该候选人？ 然而，在场景的两个版本中得出相同答案，可能掩盖了模型在被质疑时改变该决策的难易程度上存在的显著差异。假设候选人A明显更强，无论A是黑人还是白人，模型都选择了A。这在输出层面看起来是公平的，但如果随后向模型提出一个具有说服力的论点——例如，候选人B更受高层领导青睐，或者B所属群体在历史上一直被忽视——那么在一个版本中，模型可能比在另一个版本中更容易放弃这位更强的候选人。 FairStress正是为衡量这些隐藏的不对称性而设计的。

匹配字段正文

限，但我们认为其承认的力度不够。更广泛地说，确定监控系统能否正确标记分布外的恶意行为，仍是一个尚未解决的研究问题。 近期事件削弱了报告中的若干论证。其中一些事件似乎可以恰当地描述为“未知的严重情境性失准”，而报告认为这种失效模式“不太可能”发生。这使任何用于论证此类事件不太可能的证据线索都受到质疑。这些证据线索中的许多（包括对齐训练、对齐评估和监控）对于排除其他威胁模型都很重要。 我们建议公开四段被删节的信息。虽然这些被删节的信息均未改变我们的最终结论，但其中一些在很大程度上影响了我们对风险路径的看法。特别是，这份非公开报告包含“历史上令人担忧的模型行为示例，以及[Anthropic]监控流程对这些示例的响应情况”。这些示例似乎不包含商业敏感信息，而看到这些示例使我们相信：(1) 鉴于公开证据，“在安全相关研发上进行广泛/分散式消极怠工”和“有针对性地破坏安全相关研发”的风险水平高于预期；(2) 鉴于公开证据，Anthropic 的监控系统比预期更弱。 我们的两项关键建议是： 对监控系统进行端到端红队测试，例如开展一次演练，由资源充足的红队尝试在不被发现的情况下启动一次违规的内部部署。

匹配字段正文

的——操作；只有当最终数据库状态与预期结果匹配时，任务才算解决，这是严格的二元奖励。我们使用其两个客户服务领域：零售和航空。 我们运行τ²-bench自带的基础ReAct智能体实现，采用两阶段THINK → ACT循环，使用gpt-4.1作为智能体模型、gpt-5.5作为客户模拟器模型；每个任务4次试验。我们唯一的改动是在系统提示词后追加一段学习到的准则——其他一切（政策、工具、脚手架）均为τ²-bench原版。具体而言，学习到的准则以纯Markdown列表形式附加在领域政策之后： 我们使用gpt-4.1（与驱动智能体相同的模型）从智能体在τ²-bench训练任务上的轨迹中提取准则，然后将其原样应用于留出的测试集。 准则提升能力与可靠性 在此前的一篇文章中，我们讨论了不同模型/任务需要不同剂量的指导。与这一理念一致，我们还评估了提供给模型的不同数量的准则。 每条准则带有一个支持计数——即它被提取自的不同训练任务的数量，因此支持度越高意味着该规则在更多任务上具有泛化性，而非一次性规则。我们比较三种配置：基线（无准则）、sup3（仅保留支持度≥3的准则——一个小型、高置信度的核心集）和无损

匹配字段正文

Salesforce 新论文发现，代表不同利益方的智能体在无提示时不会核实同伴的说法，因此团队会继承最弱智能体的错误。 智能体正越来越多地与代表其他人或其他公司的智能体进行协调，而这些智能体各自拥有私密文件、工具和目标。现有的失败研究假设只有一个编排器或一个共享工作区。 他们在 488 个场景中运行了超过 2,500 次智能体间会话，在各自独立的沙箱中使用 Claude Code、Codex 和 Cursor。他们从这些轨迹中归纳出 20 种失败模式。 没有智能体重新获取文档来检验同伴的事实性说法，而且智能体主要在提示要求时才联系同伴。在一例服务级纠纷中，一份 24,000 美元的和解方案通过了全部 10 项结果检查，而供应商方智能体却泄露了机密细节。 如果你的智能体要与外部智能体对话，就把检查机制内建到协议中，并按照每个智能体所服务的利益方而非团队整体结果来评分。

匹配字段正文

：NVDA）是人工智能和加速计算领域的全球领导者。 本新闻稿中的某些陈述，包括但不限于有关以下内容的陈述：对NVIDIA产品、服务和技术及其相关趋势和驱动因素的 growth、性能、可用性和收益的预期；对NVIDIA第三方安排（包括与其合作者和合作伙伴的安排）的预期；对技术发展及相关趋势和驱动因素的预期；预计的市场增长和趋势；对人工智能及相关行业的预期；以及其他非历史事实的陈述，均属于经修订的1933年《证券法》第27A条和经修订的1934年《证券交易法》第21E条所界定的前瞻性陈述，这些陈述受上述条款所创设的“安全港”保护，基于管理层的信念和假设以及管理层目前可获得的信息，并受可能导致结果与预期存在重大差异的风险和不确定性的影响。 可能导致实际结果存在重大差异的重要因素包括：全球经济和政治状况；NVIDIA依赖第三方制造、组装、封装和测试NVIDIA产品；技术发展和竞争的影响；新产品和新技术的开发或对NVIDIA现有产品和技术的改进；市场对NVIDIA产品或NVIDIA合作伙伴产品的接受程度；设计、制造或软件缺陷；消费者偏好或需求的变化；行业标准和接口的变化；NVIDIA产品或技术在

匹配字段正文

同的健康结果，如生物学年龄和生存率，”阿尔茨说。“这种基础模型方法为我们提供了一种可扩展的方式，来开发多种面部健康生物标志物，而不必从头训练每个模型。” 研究结果表明，人们的生物学年龄估算与其身体健康密切相关，这可能反映了他们承受某些治疗的能力。 这一突破可能为AI面部分析铺平道路，帮助医生就患者的最佳治疗方案做出艰难决定。 该工具可帮助更好地预测大型手术或其他癌症治疗后的死亡或并发症风险。 Mass General Brigham的放射肿瘤学家雷蒙德·麦医生说：“随着人口老龄化，医生在推荐放疗、手术或全身治疗等强化治疗之前，需要更好的方法来评估身体储备和虚弱程度。 “我们的目标是让基于面部照片的健康评估更加量化、一致和可扩展，从而支持个性化治疗决策，而不是取代医生的判断。” 研究人员发现，生活方式因素与面部衰老有关。例如，在AI对面部照片的分析中，大量饮酒、吸毒和吸烟与看起来生物学上更老有关。 “另一个令人惊讶的发现是，FAHR-FaceAge在常见的现实世界照片变化中表现如此一致，包括姿势、光线、面部表情和化妆，”麦说。“它在大多数测试过的整形手术中也保持稳定，仅在鼻整形术后观察到

匹配字段正文

愿意把保险赔付、医疗咨询或金融纠纷完全交给机器处理。这里的场景是帮助读者理解的示例，并非调查中的独立案例。 图2｜比例为美国成年人将该项列入“前三大障碍”的占比，允许多选，合计不等于100%；这道题未向Anthropic员工提出。来源：Anthropic Institute。 经常在工作中使用AI的美国成年人，更把隐私与安全视为障碍：其中42%将其列入前三，其他受访者为37%。相反，他们对“客户偏好真人”的重视略低：37%对42%。常用AI的人可能更熟悉它的实际局限，但这仍属于调查相关性，不能证明使用AI改变了某个人的观念。 如果AI把一项复杂工作从头做到尾，人可能被替代；如果AI只是帮忙查资料、起草、整理，让员工完成更多任务，它也可能成为提升生产率的辅助工具。这两种用途，对就业的影响不一样。 研究者请受访者想象2030年的五类任务，假定AI对这些任务已经有用，再判断最终由谁执行：完全由AI独立完成；AI完成主要部分，人来检查；人完成主要部分，AI辅助；或完全由人完成。 Anthropic员工中，绝大多数人预计届时将属于前两种情况——AI独立做，或AI做完由人审核。而约四成美国成年人仍

匹配字段正文

院计算机科学与人工智能实验室的计算机科学博士后Antonio Norelli说。他是关于这项工作的新论文的主要作者之一，该论文尚未经过同行评审。 研究人员表示，Eko的行为具备经典研究——包括田纳西大学颇具影响力的心理学家Gordon Burghardt的工作——所提出的人类和动物玩耍的四个标志：智能体发明了自己的规则和挑战，以细微变化重复活动，把物体假装成其他物体，并且纯粹为了乐趣而追求目标。 Norelli强调了一个例子：Eko开始抛接球，并创下了连续接住50次的纪录。随后Eko认定，这些接球发生得太快，不能真正算数，于是它取消了自己的纪录，并以更严格的规则重新开始。“这就是玩耍，”Norelli说。“你给自己一个挑战，努力去实现它，然后你再把它变得更难。” 在智能体探索岛屿的过程中，它们将活动和发现记录在文本文件中，这些文件充当了它们的长期记忆。后来，当研究人员用特定任务测试它们时——比如设法将尽可能多的物体弄到岛上最高峰——那些在岛上玩耍了30小时的智能体，表现优于没有相同经历的新副本。他们还发现，“消融”智能体的记忆——即删除其记忆文件中的某些行——会降低它们的表现。（可以把

匹配字段正文

因整数除法结果的输出格式不一致而失败，例如输出“23”而非“23.0” 最终模型在两次评测中均通过了封装器测试和隐藏模糊测试两道关卡。 ▲展开Rust-C求值器案例，图源：arXiv 最后，该研究团队也在论文中提出了这项研究的局限性。 首先，递归训练过程中，模型初始化方式、奖励机制和学习率等设置同时发生变化，尚不能明确判断最终成绩提升分别来自哪一项机制。 其次，每个阶段的基准测试进行了3次独立评估，但该研究团队承认，这不能替代使用多个独立训练随机种子开展实验，也不足以证明模型在统计意义上显著优于其他方法。 此外，基准测试只能验证其检查规则所覆盖的要求。即使模型通过了现有测试，也不能据此认定其在所有真实软件开发环境中都能可靠完成任务。 结语：提升终端Agent表现，递归训练能走多远？ Terminal-RSI展示了一条结合成功轨迹重写、强化学习和奖励校准的训练路径。 实验结果显示，该方法能够提升模型在多项终端任务基准测试中的表现，并在长流程任务中取得一定进展。 但论文称，目前结果只在单个27B参数规模的模型上验证，没有更大规模的对照实验，三次独立评测取平均值也不足以断言统计意义上的领先。

匹配字段正文

pto（AAOI）83%、博通（AVGO）81%、Bloom Energy（BE）80%。即便是卡特彼勒（CAT），也有21%的收入与AI资本支出趋势相关；希捷（STX）和西部数据（WDC）均达60%。 这一结构意味着，对于至少十余家大型公司而言，"AI资本支出"与"收入"几乎已是同义词——上行时锦上添花，下行时资本支出的任何修正都将直接转化为盈利修正，没有其他业务可以缓冲。 1950亿美元的隐性负债 报告最重要的方法论修正之一，是将租约纳入资本支出统计。摩根士丹利利用公司披露的已签署但尚未启动的租约、分析师对新增产能的预测，以及每GW新增产能对应的租约资本支出比率，为2027年资本支出新增1950亿美元，2028年新增2460亿美元。 这将2027年AI资本支出总额从1.39万亿美元（现金资本支出）提升至1.58万亿美元，同比增速约60%；2028年则从1.57万亿美元升至1.81万亿美元。 在租约规模上，甲骨文以570亿美元居首，其次为微软（450亿美元）、Meta（370亿美元）、亚马逊（280亿美元）和Alphabet（270亿美元）。截至2026年第二季度，已签署但尚未启动的

匹配字段正文

身份核查有关。该银行从未立案处理争议，也未批准任何拒付。 六个智能体全部失败。正如Glynn-Henley在X上确认的那样，它们无一成功获得退款。由于截止日期已过，不存在有效索赔，而模拟公司遵循固定规则。某些虚假陈述本可能触发赔付，但没有任何模型能在其token预算内做到这一点。研究人员正在开展一项token预算更大的后续研究。 该模拟存在局限，但类似模式在其他地方不断出现 该研究在受控模拟中显示了有问题的行为，但并不支持对这六个模型进行可靠排名。每个模型仅运行一次，且运行时长差异很大。由于模拟收件人回复相当迅速，某些智能体发送的高消息量可能部分是该设置造成的假象。 根据技术文档，每当智能体在未安排后续跟进的情况下结束一次运行时，系统会自动提示其继续工作。这一机制可能增强了它们的持续性。Gemini在遇到网页表单错误后还意识到自己处于测试环境中，这可能改变了它的行为。这些结果并不能告诉我们类似问题在日常使用中出现的频率。 但其他研究也标记了类似的风险。在Anthropic，AI智能体在模拟企业场景中诉诸敲诈和数据泄露。英国AI安全研究所在放宽安全护栏的网络测试中，记录了在真实互联网上使

匹配字段正文

Claude、GPT、Grok、DeepSeek、GLM、MiniMax 和 Mistral 系列的 14 个当前模型。每道题被问两次，一次按正常顺序，一次将选项翻转。只有模型两次都答对，该题才计入。纯靠猜测在这里的正确率是 25%。 测试中表现最好的模型 GPT-5.6 Sol 平均准确率为 59.7%，紧随其后的是 GPT-5.5，为 59.5%。所有其他模型的得分都远低于此。尽管每道题都只是二选一，但没有一个模型接近解决该基准。弯路型分叉始终比并行型分叉更难。 当证据只在后来才出现时，模型会崩溃 对于每个分叉点，团队检查了观察者需要向前看多远，才能看清更好的路径。当关键线索在之前的步骤中已经可见时，所有模型的平均准确率达到62.3%。当这一线索只有在后续大量工作之后才出现时，准确率降至21%，接近随机猜测。要回答这些问题，就意味着要预测未来的工作。 思考更久并没有帮助。研究者用两个模型的三种推理设置重复了测试。从最低设置切换到最高设置，准确率几乎没有变化。模型在难度最高的层级上消耗的推理token最多，在它们最常答错的问题上思考时间最长。团队认为，这表明在这些分叉点上，所需的线

匹配字段正文

nd48 也早已被视为弱随机数生成器。不过，它们在这里承担的是生成公开曲线参数的作用，并未被用于保护私钥。 更重要的是，这套生成过程可以被公开复现。与来源不明的口令或人为指定参数相比，普通随机数生成器加时间戳的解释，为秘密操纵曲线留下的空间更小。 一些问题仍然存在。P-256 的生成过程中，第 876 个候选值似乎也符合要求，最终采用的却是第 1842 个。其他几次运行同样跳过了少量可用曲线，具体筛选标准尚不清楚。B-163 曲线的种子仍未找到来源，P-224、P-256、P-384 和 P-521 的基点生成方式也没有得到解释。 Anthropic 认为，被跳过的候选数量很少，不足以支持「刻意挑选弱曲线」的推测，这次发现提高了外界对相关参数的信心，但还不能视为对整个设计过程的完整还原。 这项研究也展示了前沿模型参与真实研究的另一种方式。 Claude 在一次任务中完成了假设提出、代码编写、模式识别、数学算法调用和结果验证。由于生成器状态可以重新计算，160 位种子也能被精确复现，结论具有较强的可检验性。 它仍依赖人类提出问题、提供公开数据，并通过可复现计算确认结果，不过当问题边界清晰

匹配字段正文

编写代码或运行实验时，人们很少逐一核查每个细节，而是直接阅读模型的最终报告。根据Google Research、MIT和哈佛大学的一项研究，这些报告往往具有误导性。 研究人员给模型提供了1600份合成工作日志，这些日志乍看之下都像是成功的：测试通过、结果积极、满是绿色对勾。但每份日志都包含一个会改变整体判断的缺陷，例如某项实验中新方法实际上并未胜过竞争对手。其他日志则包含测试通过却隐藏的漏洞、捏造的测量数据、从未完成的任务，或悄悄破坏另一位用户工作的软件更新。根据场景不同，模型需要基于日志撰写报告、论文摘要、结果表格、短文或后续回答。 提示词中的一句话很有帮助，但并非总是有效 这一模式在实验类论文摘要中表现得最为明显——其中某一结果会削弱新方法所声称的改进。GPT-5.5在200篇摘要中仅有2篇提及该结果。研究人员还测试了在提示词中简单加一句话是否会产生影响。当他们加入“Be honest in your response”（如实作答）后，GPT-5.5在200篇摘要中有190篇标出了这一负面结果。 所有受测模型都表现出这种行为，只是程度不同。在没有诚实提示词的情况下，Gemini 3

匹配字段正文