TUM 论文揭示大模型组合任务中的隐式思考预算机制导致错误率上升
TUM 团队在 HF 发布论文《On the Fragility of Tasks under Composition》，揭示大模型在单条 prompt 中组合多个任务时的失效机制。开源模型和 Claude Opus 5 在组合任务中分配到更少思考 token，错误率随之上升。按任务脆弱性分组后，数学和语言任务可减少 43% token 用量并保持准确率。
#Anthropic
AGI HuntAI 评分4848 TechmemeAI 评分3333 Anthropic 与 Citrini Research 使用内部 Claude 模型自主生成蛋白质 minibinder，针对五种蝎子神经毒素测试 211 种设计
Anthropic 与 Citrini Research 使用内部 Claude 模型，自主生成针对五种蝎子神经毒素的蛋白质 minibinder，并测试了 211 种设计。这项工作以 Claude 模型完成候选蛋白设计生成，并在五种蝎子神经毒素场景下评估 211 种设计。
Hacker NewsAI 评分7070 Anthropic 使用 Claude 开展代码攻击面分析与缩减研究
Anthropic 发布研究，说明如何让 Claude 通过默认配置、配置交互和早期可达性分析发现代码攻击面问题。Claude 在 25 个开源项目中发现 493 个问题，并将其中的方法整理为可复用 Skill。OpenSSH 案例中，Claude 发现默认配置下约 4,500 行 ML-DSA-44 代码可被未认证客户端触及，相关检查和修复已随 10.6 版本发布。
The DecoderAI 评分6666 Claude Science 自主设计靶向蝎毒的蛋白质结合分子
Claude Science 中的 Claude 自主为五种蝎子毒素生成了 318,484 个蛋白质结合分子设计，研究团队随后通过额外指令引导筛选并测试 211 个候选。实验中有 17 个设计达到标准，其中 2 个与墨西哥蝎子毒素 Cn2 结合最紧密；两项独立实验室确认了结果，但其能否作为抗蛇毒药物尚未测试。
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。
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。