Anthropic 的 Claude Science 首次绘制完整紫外天图
Anthropic 的 Claude Science 首次绘制出完整的紫外天图。该项目由 Claude Science 协调多个 AI 智能体，从多个太空任务下载数据、进行校准并合并，再用 inpainting 技术补全缺失区域。
#Anthropic
The DecoderAI 评分6262
Hugging Face BlogAI 评分3434 英国 AISI 如何用 EvalEval 基础设施让评测结果可复现
英国 AI Security Institute（AISI）正使用 EvalEval 的 Every Eval Ever schema 和 Evaluation Cards 平台公开分享评测结果，以提升评测科学的可复现性。
Import AIAI 评分3030 Import AI 469：Science AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 第 469 期介绍了 DiG-bench（Discovery in Games）基准，包含 70 款隐藏规则的游戏，用于测试 AI 通过探索自主发现环境规则的能力，目前仅公开 21 款。
Import AIAI 评分7070 Epoch 与 METR 发布 MirrorCode 长周期编程基准
Epoch 与 METR 发布 MirrorCode 基准，用于测试 AI 系统在长周期编程任务上的表现，任务要求仅凭 CLI 访问、在没有源码和网络的情况下重新实现完整程序。
Import AIAI 评分6262 牛津等机构研究：AI 说服力稳定超过人类专家
牛津大学、英国 AI 安全研究所、斯坦福大学和伦敦政治经济学院的研究者通过四项实验、6,923 人参与的 18,978 场对话发现，AI 系统在文本说服上稳定强于人类专家，即使专家自选议题、提前研究、接受数小时结构化训练并获 1,000 英镑奖金激励。
Google ResearchAI 评分4040 Google 与康奈尔大学测试 LLM 能否回答高温超导研究问题
Google 与康奈尔大学在《美国国家科学院院刊》发表研究，让 GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 和一套自建 RAG 系统回答 67 道高温超导专家级问题，由 12 位国际专家按平衡性、全面性、简洁性、证据、图像相关性和定性反馈六项指标盲评打分。