Vals CyberOffense 基准测试开源与闭源AI模型网络渗透能力差距缩小
Vals CyberOffense 基准测试显示，开源模型 Deepseek V4.1 Flash 1017 在模拟企业网络渗透测试中达到 72.8% 的目标完成率，接近 OpenAI 限制性项目 GPT-6 Sol Daybreak 的 80.8%。开源模型使用成本约为 $3/次，而闭源模型成本约为 $22/次，且研究指出模型权重公开后使用无法被提供方控制。
#DeepSeek
The DecoderAI 评分6666
The DecoderAI 评分7070 九个AI智能体尝试美国国家实验室开放性研究均未达专家标准
九个AI智能体尝试在来自美国国家实验室的开放性研究问题上进行自主研究，但所有135份提交均未满足所有要求。GPT-6 Astra在15项任务中表现最佳，仅有其提交工作无完整性违规，但无一提交达到专家标准。研究发现智能体常出现数据与代码不匹配、数字矛盾和虚假实验声明等问题，且更长的运行时间并未带来更好的结果。
The DecoderAI 评分4949 No AI agent scores above 12 percent on SemiAnalysis' new real-world work benchmark
SemiAnalysis 发布 GDPx benchmark，将 AI agents 置于模拟知识工作环境，无模型得分超过 12 percent。Claude Opus 5.5 排名第一，得分为 12 percent；Gemini 4 Carbon 得分 10.9 percent，成本为 $16.29 per task。
Simon WillisonAI 评分5555 Qwen 3.8 27B 在笔记本上可解读模型权重
基于 Sparks of Weight-Space Programming 论文，作者实践了 LLM 解读模型权重的实验，发现 Qwen 3.8 27B 运行在笔记本上也能完成此任务。Qwen 3.8 27B 成功识别了 Pac-Man、Pong 和 Breakout 等游戏的权重，推理时间分别为 46m 12s、1h 4m 54s 和 52m 25s，而对 Freeway 游戏识别失败。
The DecoderAI 评分4545 Chinese AI models 政治复杂性研究发现并非仅是政府代言人
Vals 研究发现中国 AI 模型对政府立场的倾向性存在差异，整体倾向低于预期，但存在模型间显著差异。提示词语言影响显著，中文提示词使模型更倾向于政府立场，例如 Kimi K3 否认了新疆维吾尔族集中营的存在。