OpenAI 称 GPT-6 在 COBOL、Fortran 等旧式编程语言上表现提升
OpenAI 称 GPT-6 在 COBOL、Fortran 和 Visual Basic 等低资源编程语言上的评测表现明显提升。
#评测/基准
The DecoderAI 评分7373 Hugging Face BlogAI 评分6363 FairStress 基准发布，评估 LLM 决策中的人口统计公平性
Ai2 发布 FairStress 基准，以 29 个领域的 300 个双候选人决策场景和超过 1300 万个测试用例，评估 LLM 在人口统计身份与对抗性前缀影响下的决策稳健性。实验发现，模型在明确标注身份时放弃正确答案的平均差距达到 9.3 个百分点，部分前沿模型在模糊案例中约有 60%–65% 的概率选择少数群体编码候选人。研究还表明，仅依赖固定选项评分可能遗漏生成式决策中的过度纠正。
Hugging Face BlogAI 评分7070 ALTK-Evolve 如何用学习型记忆提升 τ²-bench 客服智能体表现
ALTK-Evolve 从智能体训练轨迹中提炼行为规则并附加到系统提示词，不更新模型权重即可提升 τ²-bench 客服任务表现。使用 gpt-4.1 时，零售 held-out 任务的 Pass^4 达到 67.5%，在 October 12, 2026 排行榜快照中排名第一；gpt-5.5 在航空任务上的 Pass^4 达到 82.0%，同样排名第一。
OpenAI NewsAI 评分3131 OpenAI 推进 ChatGPT 在低资源编程语言中的编码能力
OpenAI 正在改进 ChatGPT 对低资源编程语言的支持，并新增面向软件工程、SQLite 和 COBOL 迁移的评测。相关工作聚焦低资源编程语言，旨在推动 ChatGPT 编码能力的进一步提升。
Apple Machine Learning ResearchAI 评分4444 工具增强 LLM 智能体的工具发现架构：先规划还是先检索？规模研究
一项规模研究比较工具增强 LLM 智能体的 Retrieve-then-Plan 与 Plan-then-Retrieve，发现单工具查询更优的是 RtP，多工具查询更优的是 PtR。这一交叉在 ToolBench 的全部检索预算（k=1 至 20）、1k 至 47k APIs 规模及 Gemini 2.5 Flash、gpt-oss-120b 上均成立；PtR 的额外发现调用约使推理成本翻倍。
Import AIAI 评分4545 Import AI 476：创造力、递归自我改进、中国开源权重模型与太空 AI
Import AI 476 聚焦视觉推理、模型研究品味与太空 AI 带来的战略优势。HSS 基准包含 522 道题，人类的 pass@1 为 93.1，GPT 6 Astra 为 53.6，GLM-5.3-flash 与 Kimi K3 分别为 26.8 和 25.5。
Import AIAI 评分5252 Import AI 475 评述智能体集群扩展、Google DeepMind 生物水印与 AI 科学经济
Import AI 475 汇总了 AI 智能体集群扩展、AI 监管民调、Google DeepMind 的 SynthID Bio、自动科学实验基准 SciUniverse，以及面向自主科学发现的科学经济研究。
Import AIAI 评分5656 Import AI 473 综述超级智能战略、异种脑实验与 AI 治理研究
Import AI 473 汇总多篇研究，探讨美国超级智能战略、人类脑组织移植小鼠、AI 发展节奏治理、无审查开放权重模型及递归自我改进的动态。RAND 建议美国以保持选择空间为核心投入人机生态、安全架构和应急能力，相关论文还讨论不同治理工具的激励、验证与退出机制。