搜索
Anthropic与Theorem合作，让Claude为123个开源库的239个测试入口完成形式化验证，产出约1.8亿行经机器检查的证明代码并发现数百个Bug，实现其已知首次大规模汇编层生产软件形式化验证。
Adobe Research与UCLA提出Tev，构建含1170个环境、覆盖7个领域的Tev-Gym并提出进度势能奖励塑形（PPRS），训练出的Tev-27B在ALE-CM的Pass@5达0.28，与GPT-6 Astra、Claude Opus 5持平。
港科广新基准UI2App以600张静态截图评测模型推断并实现应用交互的能力，Gemini 3.1 Pro Preview以73.2分获视觉还原第一，但Claude Sonnet 4.6以36.8分居交互推断首位，跨页面状态仍是参评模型共同难点。
Anthropic将于下周起让Claude默认开启自动模式，由另一套AI判定操作权限；METR与Redwood审计OpenAI监控后发现六条绕过路径，建议定时检查并隔离Agent与监控系统。
独立开发者借助Claude约4小时做出网页游戏1 in 8 Billion，支持按172个国家和地区的统计数据随机投胎并模拟一生，随后在韩国和日本社交平台传播。
SemiAnalysis 测试发现，Anthropic 正对 Claude Max 20x 的 Opus 5.5 订阅额度进行 A/B 灰测，测试账号周额度被下调 20%，Claude Code 团队称正紧急排查且否认调整额度。
用户借助 Claude Code 制作开源项目 TV Detox，在逐项确认后关闭 Android 电视广告和预装应用；OpenAI 评测显示 GPT-6.1 Sol 迁移 COBOL 的隐藏测试准确率最高达 97.9%，但真实银行系统仍需专家审查。
AI参与发现的高危漏洞，已经修好了。
如果让 GPT、Claude、Gemini 直接指挥机器人干活，谁更靠谱？
Anthropic发布个人智能体Claude Duet预览版，支持6000多个连接器和插件、继承Claude记忆及应用连接并共享Pro和Max套餐额度，可主动整理任务，但暂不支持第三方聊天渠道和本地文件访问。