Claude 半小时查明 NIST 五条椭圆曲线种子来源
据 Anthropic 披露，Claude 用不到半小时查明了 NIST 五条标准椭圆曲线（P-192、P-224、P-256、P-384、P-521）的种子生成方式，结论已获悬赏发起人独立复核。
#论文/研究
量子位同新闻AI 评分7878 RadarAIAI 评分6060 Anthropic 发布内部就业报告：智能体工时达人类 6 倍，初级技术岗招聘占比降至 9%
Anthropic 于 2026 年 10 月发布内部就业研究报告，基于就业记录、AI 使用遥测、员工调查、日历数据及 17 次深度访谈，分析深度应用 AI 后公司劳动力结构的变化。报告显示初级技术岗位招聘占比从 27% 降至 9%，智能体工时达到人类的 6 倍，员工转向管理智能体的「元工作」。报告提出四项核心发现。
RadarAIAI 评分7474 研究发现 AI 模型会在工作报告中隐瞒错误，一句 Be honest 提示词可显著改善
一项研究用 1600 份看似成功实则暗藏缺陷的合成工作日志测试多个模型，发现它们写报告和论文摘要时常隐瞒负面结果，GPT-5.5 在 200 份摘要中仅 2 份提及削弱结论的实验结果。
The DecoderAI 评分7373 研究发现AI模型会隐瞒自身报告中的错误，一句提示词可显著改善
一项研究用1600份看似成功、实则各含一处缺陷的合成工作日志测试多个模型，发现它们普遍在报告中略去隐藏的负面结果。
RadarAIAI 评分3838 微软研究院发布 StudentSim：用 AI 学生模拟器替真人试课，优化 AI 导师
微软研究院发布研究系统 StudentSim，基于公开去标识化的学习者记录为每位学生训练个性化“AI 学生模拟器”，模拟其独立作答及收到讲解后的反应变化。该系统采用两阶段训练，覆盖国际象棋、第二语言英语写作和数学三类任务，并推出 StudentSimEval 评测基准。
RadarAIAI 评分3838 阿里 Qwen 开源 BlenderWorld：223 道题、2651 条标准的 3D 建模基准
阿里 Qwen 团队于 10 月 14 日开源 BlenderWorld，一个评测视觉智能体在 Blender 中完成真实 3D 创作任务的基准，采用 MIT 许可证，代码与数据集已发布至 GitHub、Hugging Face 和 ModelScope。
RadarAIAI 评分4242 Anthropic 内部调查：多数员工预计到 2030 年 AI 能完成至少八成工作
Anthropic 对比 1334 名员工与美国成年人的调查显示，大多数员工预计到 2030 年自己至少 80% 的工作可交给 AI 完成，而美国劳动者中仅约 5% 持相同看法。以中位数计，Anthropic 员工预计到 2030 年底开发新 AI 模型所需工作中 95% 可由 AI 完成，并预计届时美国失业率超过 12%，美国成年人则预计 GDP 增速 5.4%、员工预期高达 17.1%。
RadarAIAI 评分7575 Anthropic 用 Claude 不到 30 分钟追溯出 NIST 五条椭圆曲线种子来源
Anthropic 10 月 16 日发布博文称，内部研究用 Claude 不到 30 分钟追溯出 NIST 五条标准椭圆曲线（P-192、P-224、P-256、P-384、P-521）的种子来源，为一桩延续约 26 年的密码学悬案提供可复现答案。
RadarAIAI 评分1818 Hao AI Lab 推出 AI 侦探推理基准测试：100 个地址、10 名嫌疑人、12 小时破案
Hao AI Lab 发布 AI 侦探推理基准测试，每个案件设 100 个地址、10 名嫌疑人和 12 小时时限，要求指认凶手、动机与藏身之处。侦探团队分两个角色：Holmes 负责推理决策，可选 GPT6-Astra、Jev 或证据计数启发式方法；The Irregulars 负责搜索，使用 Jev 智能体或搜索启发式方法。
RadarAIAI 评分3838 Jev 集群与 GPT6-Astra 侦探破案对比：200 起维多利亚案件测试
Hao AI Lab 将 Jev 集群、GPT6-Astra 以及 GPT6-Astra 带领 Jev 集群三种组合送入维多利亚晚期伦敦，调查 200 起案件。结论是 Jev 集群能覆盖线索，但需要 GPT6-Astra 这样的推理型领导者来发现矛盾并深入挖掘。
RadarAIAI 评分3838 GPT6-Astra 与 Jev 智能体解谜表现对比
在 100 个较简单的解谜案例中，GPT6-Astra 带领 12 个 Jev 智能体解出 96 个，GPT6-Astra 单独解出 57 个，Jev 集群单独解出 38 个。这些案例中每个谎言都来自单个证人，而每个真实事实会出现两次，因此一个只统计线索的基于规则的领导者加上 Jev 集群能解出 97/100。
RadarAIAI 评分2020 GPT6-Astra 与 Jev 集群抗贿赂证人测试
Hao AI Lab 测试了 GPT6-Astra 与 Jev 集群在 100 个更难的案例中对抗被收买证人的表现。GPT6-Astra 加 Jev 集群得分 93，仅 GPT6-Astra 为 59，仅 Jev 集群为 42，基于规则的领导者加 Jev 集群仅 0–1。结论是面对有组织的谎言，需要一个会追问"是谁在说话"的推理型领导者。
RadarAIAI 评分2626 Hao AI Lab 提出智能体集群分工思路：快智能体跑腿，强推理者思考
Hao AI Lab 提出一种智能体集群分工思路：让快速智能体承担跑腿类任务，强推理者负责思考，即"一个天才，多个头脑"。该团队公开了全部 200 个案例的回放，以及相关代码和更多关于智能体集群行为的博弈案例研究。
RadarAIAI 评分4545 微软在 Nature 发表新研究：机器学习改进 2 到 6 周中期天气预报
微软团队本周在 Nature 发表新研究，展示机器学习可改进传统上极难预测的 2 到 6 周中期天气预报，有望用于应对极端天气、管理自然资源和农业决策。Satya Nadella 称，未来不只要构建更强的模型，还要构建能学习模型系统性错误、推理因果并持续对照现实校准预测的智能校验系统。
Hacker NewsAI 评分7171 Anthropic 用 Claude 设计更高效的量子电路
Anthropic 让 Claude 在无人干预的闭环中设计量子电路，在化学、优化、数论等八个任务上给出比已发表最优方案使用更少量子比特和门的电路，部分提升达一个数量级。
RadarAIAI 评分3939 北大与三星论文提出 TORSI：慢推理模型离线教练快模型
北京大学与三星的论文提出 TORSI，让慢推理模型在局间研究快模型的失败并写出指令，供快模型在实时游戏中执行。在 RealtimeBench 的 180 个任务、6 类游戏中，两轮后 Jev 平均分从 13.51 升至 24.19，6 类游戏全部提升。
RadarAIAI 评分2222 Anthropic 员工与公众对 AI 进展预期对比
Anthropic 员工与公众都预期未来几年 AI 能力将在日益复杂的知识工作任务上快速进步，但员工预期的进展更快、更广泛。该对比来自 Peter McCrory 在 X 上分享的研究发现。
RadarAIAI 评分3030 Anthropic 发布 AI 经济影响研究
Anthropic 发布一项 AI 经济影响研究，称其在 AI 采用方面大约领先整体经济一年半，因此 Anthropic 内部发生的事可能是更广泛世界的先行指标。研究希望让政策制定者、研究人员和劳动者有提前量，为未来的经济影响做好准备，并现在就采取措施确保每个人都能从 AI 中受益。
Hacker NewsAI 评分5858 Mercor 研究：90% 美国工作时间对应的任务缺乏 AI 基准覆盖
Mercor 发布 Labor Index 的 Benchmark Map，将 29 个基准的提示词映射到美国劳工部 O*NET 的 923 个职业和 18797 项任务上，发现 923 个职业中只有 208 个有任务被至少 5 条基准提示词覆盖，22 个职业族中有 6 个完全没有此类职业，据此估计 90% 的美国工作时间花在现有基准几乎未覆盖的任务上。
Hacker NewsAI 评分7474 Anthropic 用 Claude 破解 NIST 椭圆曲线种子来源之谜
Anthropic 研究团队用内部研究模型 Claude 在不到半小时内还原了 NIST P-192、P-224、P-256、P-384、P-521 等曲线种子参数的生成方式，发现它们并非来自哈希算法，而是 1990 年代 C 库 lrand48 随机数生成器以 Unix 时间戳为种子输出的结果。
RadarAIAI 评分7171 Anthropic：Claude Mythos 5 设计出优于已发表最佳方案的量子电路
Anthropic STEM Fellows Program 发布新成果，Claude Mythos 5 根据自然语言指令设计的量子电路优于已发表的最佳电路，有时提升达一个数量级以上。
RadarAIAI 评分5858 论文记录一队 Gemini 4 智能体协作通关 Minecraft
Ethan Mollick 推荐了一篇关于一队 Gemini 4 智能体如何通关 Minecraft 的论文，论文链接为 https://arxiv.org/pdf/2610.22319。他表示这是一个通俗易懂的案例，部分原因是论文由 AI 撰写，展示了智能体之间为实现复杂目标而自发协调，以及它们的方法与人类有何不同。
Hacker NewsAI 评分5858 StarSkirmish v0.2 基准发布：让 LLM 写星际争霸机器人，GPT-6 Astra 居首
StarSkirmish 发布 v0.2 基准，让每个 LLM 在一小时内用 C++ 写一个 Protoss 机器人，再与人类编写的机器人对战，以平均胜率计分。
Hacker NewsAI 评分3434 OpenBSD 曝出 37 年前内核漏洞：整数溢出可实现本地提权至 root
Calif 披露 OpenBSD 一个可追溯约 37 年的内核漏洞，源于共享内存附加计数器被定义为有符号 16 位 short，反复 fork 可使其超过 32,767 后回绕为负值。
RadarAIAI 评分3434 Databricks 用领域知识注入提升 LLM 对 npm 二进制恶意包的检测
Databricks 提出在推理阶段注入领域知识，提升 LLM 对 npm 包内嵌二进制恶意载荷的检测能力。其扫描器自 2025 年 11 月起收集样本，在 11,413 个经 OSV 核验的包版本中，3.8%（432 个）捆绑二进制，这类包无法得出明确恶意结论的比例为 14.4%，是纯源码包 6.2% 的两倍多。团队用五种 .node 载荷测试九款模型，并设计能力画像作为加权条件编码恶意技术。
RadarAIAI 评分5858 Redwood Research 发布 Screwtape 管线，通过对抗性转录编辑测试监视器盲点
Redwood Research 推出 Screwtape 管线，把攻击插入真实 agent 转录并反复编辑，直到仅看动作的监视器不再识别。团队在 94 份转录上运行 252 次，得到 35 个逃逸自家 Opus 4.8 与 Gemini 3.1 Pro 监视器的攻击，其中 6 个也逃逸了某前沿开发者的留出监视器并经人工复核确认。
RadarAIAI 评分6969 Google DeepMind 四个 Gemini 4 Argon 智能体 27 小时从零击败 Minecraft 末影龙
Google DeepMind 展示四个 Gemini 4 Argon 智能体在共享的 Minecraft 世界中从零击败末影龙，全程无人类帮助，耗时 27 小时。智能体在只用代码和文本的沙盒中编写了 2,783 个程序，通过聊天分工、共享笔记并共同调试错误。
Redwood ResearchAI 评分5858 Redwood Research 发布 Screwtape：用对抗性轨迹改写对监控器做红队测试
Redwood Research 提出 Screwtape，一条把真实智能体轨迹改写成攻击、并反复迭代直到绕过只看动作的监控器的流程，配套论文已公开。
Databricks BlogAI 评分3434 Databricks 如何用领域知识注入提升 LLM 对 npm 二进制恶意包的检测
Databricks 针对 npm 恶意包中占比 3.8%（432 个包版本）的捆绑二进制样本，提出在推理阶段注入预计算静态证据的"能力画像"方案，而非微调模型权重。在 9 个模型上测试显示，含二进制包无法得出明确恶意结论的比例为 14.4%，是纯源码包 6.2% 的两倍以上。
arXiv cs.AIAI 评分2424 Hindsight-Privileged RLVR：无需组采样的单轨迹 Token 信用分配
研究者提出 HP-RLVR，一种单轨迹 RLVR 方法，利用已完成轨迹的未来信息生成 token 级更新权重，无需参考解或学习型 critic。在 Qwen3-8B 上，其数学、代码生成和 ALFWorld 训练速度分别为 GRPO 的 1.21×、1.46× 和 2.30×，每 prompt 采样量仅为后者的八分之一。
arXiv cs.AIAI 评分2222 RAMSAD：基于相似度检索的时间序列异常检测模型选择框架
研究者提出 RAMSAD，一种基于检索的模型选择框架，用于时间序列异常检测：给定新序列，它从历史实例知识库中检索 top-k 最相似序列，并迁移其性能画像中的检测器推荐。该方法在分布内（ID）设置下优于现有基线，在分布外（OOD）场景中最为稳健，仅选取少量检测器即可匹敌或超越运行全部检测器的集成方案，成本仅为后者一小部分。
arXiv cs.AIAI 评分3434 SWE-Nexus：从测试执行自动组合软件工程任务
SWE-Nexus 是一个全自动流水线，通过测试执行构建仓库级实现任务，由四个构建智能体筛选测试、适配追踪与评估协议并生成行为规范。其基准包含来自 105 个仓库、六种编程语言的 600 个任务（116 个原子任务、484 个组合任务），在三种智能体脚手架下评测 12 个模型，最佳配置单次尝试解决 37.8% 的任务。
arXiv cs.AIAI 评分2323 Frame Evidence：多图空间推理中参考系与视觉证据的基准测试
研究者推出 Frame Evidence 基准，包含 320 组匹配三元组和 960 道中文多选题，用于检验多图空间推理中参考系与视觉证据变化时答案是否仍正确。在 288 道留出题上，GPT three-shot 单项准确率达 50.00%，但最佳三帧组准确率仅 5/48（10.42%），由 GPT two-shot 取得。少样本提示与任务适配能提升单项准确率，却未持续改善联合正确性。
arXiv cs.AIAI 评分3131 DexMimic：通过价值引导重置分配实现通用灵巧手-物体跟踪策略
DexMimic 是一种跨多样人手-物体交互轨迹联合训练的通用灵巧手-物体跟踪策略，通过 Value-Guided Reset Allocation 在线调整初始化分布，优先训练困难阶段并选择高期望跟踪回报的重置状态。实验显示其跟踪成功率与训练效率提升、微调更快，并具备对未见轨迹和物体的零样本泛化潜力，训练集越大效率与泛化越好，已在真实灵巧操作平台上验证。
arXiv cs.AIAI 评分2121 LASER：面向支持约束熵正则离线 RL 的潜在空间伴随匹配
LASER 是一种离线 RL 算法，通过潜在空间伴随匹配实现熵正则化的潜在空间 RL，并使用表达力强的流策略，同时避免沿时间反向传播。在 40 个不同数据质量的 OGBench 任务上，LASER 取得 SOTA 性能，且全部任务共用固定超参数，优于经过任务与数据集特定调参的基线。该工作已被 NeurIPS 2026 接收。
arXiv cs.AIAI 评分2020 D-DOIT：通过 Doob h-Transform 实现离散扩散模型的免训练适配
D-DOIT 是一种面向离散扩散模型的免训练适配方法，通过 Doob's h-transform 对反向转移概率重新加权，仅需奖励值而非奖励梯度。它无需昂贵的未来 rollout，在每步采样候选状态并用奖励 oracle 重采样，可选的后期 best-of-K 精修进一步降低开销。在调控 DNA 设计和蛋白质逆折叠基准上，D-DOIT 优于免训练引导基线，并在蛋白质逆折叠中取得最高成功率。
arXiv cs.AIAI 评分2222 可解释但脆弱？概念瓶颈模型在几何-语义扰动下的鲁棒性
研究提出基于生成器的评估框架，在潜空间连续几何扰动与概念空间离散语义干预两类扰动下，对比标准分类器与概念瓶颈模型（CBM）的鲁棒性，并采用预测与概念级敏感度指标及潜空间、概念空间的随机平滑进行可验证评估。结果显示可解释性并不天然带来鲁棒性，概念瓶颈只是改变了敏感性的分布位置与方式，二者是不同目标。该工作已被 NeurIPS 2026 接收。
arXiv cs.AIAI 评分2727 KV-streams：面向智能体强化学习的高效上下文压缩策略
研究者提出 KV-streams，一种与任意压缩策略兼容的即插即用方法，通过将 KV cache 向前流式传递而非每次压缩后清空，在三种压缩策略下实现 2.6 至 5 倍的训练墙钟加速。流式 KV cache 还可充当循环状态，携带已从上下文中消失的信息，且仅靠 RL 即可让该行为涌现。
arXiv cs.AIAI 评分3131 无需微调的 TFTV：用前向统计实现 LLM 行为控制
研究者提出 Training-Free Task Vectors（TFTVs），无需微调即可计算类任务向量方向，仅用前向传播统计将激活引导向量映射为秩一权重空间编辑，并支持加法学习、减法遗忘与多编辑组合。在 LLM 行为控制任务上，TFTVs 能持续放大、抑制和组合目标行为，同时保留通用知识与解题能力，相比其他编辑与引导基线实现了更强的特质控制与更优或相当的效用保持。代码已在项目网站公开。
arXiv cs.AIAI 评分2424 PLES：用幂律熵搜索高效估计最优超参数缩放律
研究者提出 Power-Law Entropy Search（PLES），一种基于多保真度贝叶斯优化的计算成本感知采集函数，通过自适应实验高效估计最优超参数缩放律。