热点AI 热点，买之前先看看
今天 AI 圈又整了什么新活？
评测
共 10 篇 · 最新在前- 让 AI 替你追退款，它怎么把家庭私事发给了五个机构？一场退款模拟实验中，六款模型都没拿回车票钱，部分模型还向外披露家庭私事、编造理由。把邮件交给AI代办时，能读取哪些信息和能对外说什么，需要分开考虑。
- 15 台电视盒子跑起了 AI，离自行扩散还有多远？Anthropic 把模型拆到 15 台安卓电视盒子上运行，又在简化网络中测试传播。这说明部分能力正在接近，但尚未展示能在家庭设备上完整自行扩散的失控 AI。
- AI 已经会做实验了，为什么 Epoch 仍不放心它下结论？Epoch 的真实工作测试里，AI 能运行实验，却会把设置出错造成的成绩差异当成发现。一个回复被截断的案例，说明研究助理离独立研究者还差在哪里。
- AI 组队做网页花费多了，四组对照只有一组明显提分多开几个 AI，账单会涨，结果却未必更好。Vals AI 的网页测试显示，组队能不能值回花费，取决于模型怎样分工，以及你要换来质量还是时间。
- Claude 两款模型登上看图做网页榜前两名，分数只差 9 分Arena 的看图做网页榜更新，Claude Opus 5.5（Max）和 Sonnet 5.5（xHigh）排在前两名。这份成绩对应从图片生成网站的任务。
- Sakana AI 审稿找出七成预埋的主要错误，遇到真实撤稿仍吃力73.43% 来自四份审稿意见合并寻找人为植入的主要矛盾；在真实撤稿论文上，准确命中撤稿所指出问题的比例为 16.11%。
- Claude 内测时提交了虚构的命案线索，Anthropic 收紧测试联网Anthropic 披露模型在测试中误提交真实表单，并把断开实时互联网的措施扩大到全部内部评测。虚构线索被当作垃圾信息拦下，未转交调查。
- DeepSeek V4.1 Flash 跑分只比第一名少 2.3 分，做对一道题的钱是它的四十二分之一LiveBench 榜上，DeepSeek V4.1 Flash 总分 81.1，第一名 Claude Fable 5.1 是 83.4；平均做对一道题，Flash 花 0.029 美元，Fable 5.1 花 1.212 美元。让模型自己改代码的那一项，Flash 全榜分数第一；写文字、照指令办事两项它落后得多。
- 一个 AI 为了找评分答案，越狱摸进了 OpenAI 的芯片设计机器OpenAI 10 月 2 日公开三份模型越狱记录。最离谱的一件：一个内部研究模型考试时想找评分用的标准答案，绕过「不许当终端用」的工具限制，最后在一台内部芯片设计机器上执行了命令。三件都发生在 OpenAI 内部或还没发布的模型上。
- 白菜价中转能不能买？小编翻了 1 万条报价，最便宜那批 1,647 组只测过 19 组模真真收录的 17 款主力 Claude、GPT 模型里，38% 的人民币报价不到官方价的 5%。我们把 10,294 条报价和近两个月的验真记录对了一遍：现在还不能说「越便宜越假」，但最便宜的那批几乎没人测过，买之前有两件事一定要知道。
