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。
#Anthropic
Hugging Face BlogAI 评分3434
MIT Technology Review · AIAI 评分3838 MIT Technology Review 如何绘制首张美墨边境“虚拟墙”沿线死亡地图
MIT Technology Review 与 Times of San Diego 用 15 个月完成首张美墨边境监控塔附近死亡的综合地图与分析，梳理了 2015 年以来的案例。团队向得州 17 个县警长办公室申请记录，收到 14 个县逾 4000 页文件，并用 Anthropic 的 Claude（通过 API）提取遗骸发现地点坐标后人工核验。
Simon WillisonAI 评分3232 工程师爆料：大公司全员用 Claude Code 生成代码，无人阅读
一名新入职大公司的工程师称，团队所有规格、代码、测试、PRD 和工单均由 Claude Code 生成，从 L1 到 L7 的工程师都在做同一件事——和 Claude 对话。没人阅读任何产出，团队成员每天工作 12 到 13 小时只为按回车，高层却认为推送代码不是瓶颈。
Latent SpaceAI 评分6262 AINews 汇总：Claude Code Projects 与 Jev 分类模型成当日焦点
Latent Space 的 AINews 汇总了 9/16-9/17 的 AI 动态：Anthropic 在 Claude Code 中推出 Projects，一次对话可派生多个云端并行会话、在线程间传递上下文并在用户离开后继续运行，本地工作流后续支持。
Latent SpaceAI 评分6262 AINews：Yegge 关停 Gas Town，Databricks 用 Astra 后编码支出涨 60%
Latent Space 的 AINews 汇总 9 月 15 至 16 日动态，指出 Steve Yegge 已关停 Gas Town，并承认每月花费数千美元订阅编码智能体，实际只做出了 Gas Town 这一个项目。
Latent SpaceAI 评分6262 AIUC 完成 4000 万美元 A 轮融资，推出 AIUC-1 智能体安全标准与保险
AIUC 宣布完成 4000 万美元 A 轮融资，由 Ribbit Capital 和 First Harmonic 领投，客户包括 Cursor、Harvey、Lovable、ElevenLabs。
Latent SpaceAI 评分3434 Good Start Labs 如何用游戏训练 AI 模型并迁移到真实工作
Good Start Labs 将《1830》铁路桌游改造成 AI 训练环境，用 30B 模型做实验：单轮问答与多轮终端智能体两种训练方式都提升了游戏内表现，但只有终端智能体方案在 Finance-Agent benchmark 上有提升。
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。
Import AIAI 评分6060 Import AI 460：社会可被奖励攻击、Anthropic 的 RSI 数据与 RL 四旋翼竞速
本期 Import AI 汇总多项研究：伦敦国王学院、复旦大学与艾伦图灵研究所构建 SocioHack 基准，含 72 个沙盒社会环境，测试 AI 在信用卡积分、学校评分等场景中钻制度漏洞的能力，RL 训练的 LLM 在历史子集上以 61.25% 召回率、90.85% 精确率重新发现已被修补的漏洞策略。
Import AIAI 评分2222 Import AI 459：AI 监管为何困难、蛋白质折叠模型的缩放定律、AI 系统灭绝风险定价
Import AI 459 聚焦三项研究：英国 AI 安全研究所的论文指出，用 AI 监督 AI 训练的自动化对齐研究并非万能方案，实施难度高于预期；另有研究提出蛋白质折叠模型的缩放定律，以及为 AI 系统灭绝风险定价的探讨。
Import AIAI 评分2222 Import AI 458：直面 AI 的未来，以及一个奇点故事
Import AI 第 458 期收录了一篇基于 2026 年牛津大学 HAI Lab 演讲的长文和一个设想"正向奇点"的虚构故事。演讲以 Epoch Capabilities Index（ECI，覆盖 40+ 项基准）为线索，主张 AI 的快速进步让人类面临"探索未来还是回避当下"的选择，并指出 AI 不能被视为一项普通技术。
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。