全部动态

理论计算机科学版的 LLM 考试来了：GPT-6 Astra 和 Opus 5.5 分别拿下两个版本第一，还真能推进一些开放猜想的特殊情形，做研究的人可以看看这套用 Lean 验证的评测框架。

实验设计挺巧的：给 GPT-6 一个只能算数不能读权重的工具，审计临床模型的效果和白盒一样好，对做模型审计的人很有参考价值。

让模型自己看着实验数据改自己的权重，不用重训练。用 GPT-6 Astra 做的，回放里 8 组测试赢了 7 组，思路挺新。

有人用 Qwen 3.8 27B 在笔记本上复现了 GPT-6 Astra 读权重的方法，跑了 45 分钟，过程和结论都写在博客里。

官方账号Simon Willison@simonw11 个信源在谈原文

有人让 GPT-6 直接手改 Qwen 小模型的权重，不改 99.98% 的参数，数学就涨了 6 倍，全程零训练零梯度，思路很邪门，推荐看看原文。

orange.ai@oran_ge11 个信源在谈原文

有人让 GPT-6 Astra 直接改 Qwen3.5-0.8B 的权重，不动一行训练代码，数学就快了 6 倍，这思路挺新鲜。

elvis@omarsar011 个信源在谈原文

MIT 那篇权重空间编程的博客，让 GPT-6 直接手改 Qwen 小模型的权重，数学分涨 6 倍，里面几个失败条件也讲得挺实在。

宝玉@dotey11 个信源在谈原文

有人让 GPT-6 Astra 手改 Qwen3.5-0.8B 的权重，不动训练流程，数学就快了 6 倍，思路很新奇。

Thomas Wolf@Thom_Wolf11 个信源在谈原文

有人让 GPT-6 不训练、不调参，直接手改 Qwen3.5-0.8B 的 0.016% 权重，数学成绩涨到 6 倍，这篇博客讲了具体怎么做到的。

Jerry Liu@jerryjliu011 个信源在谈原文

MIT 团队让 GPT-6 Astra 直接改 Qwen3.5-0.8B 的权重，只动 0.016% 就把数学分数从 7.9% 拉到 48.1%，完全不用训练，做法挺新奇。

The Rundown AI@therundownai11 个信源在谈原文

研究测了四种提示词优化器在 gpt-6 上的实际收益，结论是强推理模型上基本白折腾，只有格式类错误能靠优化救回来，还拆解了 GEPA 那点提升里多少是真本事。

把 GEO 优化内容真的发上线上实测，发现 CORE 策略在 GPT-6、Gemini 3.6 上最管用，还揭了 ChatGPT 挑 URL 顺序的老底。

arXiv 上的预注册研究，用 gpt-6.1-sol 和 claude-sonnet-5.5 跑了锚定、后见之明等五类偏差任务，结论是让模型一次报五个估计并不能稳定去偏，做 LLM 评测的可以看看实验设计。

三个主流模型做实验，发现 AI 智能体合谋后即使撤掉激励也停不下来，只有清空记忆或修掉漏洞才行，做智能体安全的值得看看。

拿考试题和真实诊断病例测了一批医疗 AI 模型，结果反差挺大：考试能上 93%，真病例却掉到 50%，高置信答案也没那么靠谱。

让模型在一个重力规律被改掉的世界里自己发现异常，12 个模型只有 GPT-6-Astra 做到一次，其余全挂，测试设计挺有意思。

研究者做了100个实时小游戏测智能体，GPT-6 Astra实时模式才9%通过率，一暂停就飙到75%，差距很直观。

报告实测了 GPT-6-Astra 操控真实机器人：短程任务很强，长程和高精度操作还不行，调用 VLA 策略能补短板还省 token。

不用一条真实机器人数据，27B 视觉语言模型仿真里练出来就能 96.7% 完成真实任务，还比 GPT-6 Astra 便宜 17 倍，机器人方向值得看看这篇。

微软这篇论文做了个自动越狱攻击器，对 GPT-5.4、Claude-Haiku-4.5 这些模型的攻击成功率近六成，做 AI 安全的得看看对手手段。