Vals 研究发现中国 AI 模型在政治立场上存在复杂差异，并非单纯政府传声筒
Vals 研究对中国 AI 模型进行政治立场测试，发现多数模型很少直接拒绝敏感问题，而是倾向于采用官方立场。GLM-5.3 Flash 和 MiMo V2.6 Pro 在只需回答简单 yes 或 no 时，亲政府得分更低。
推荐理由：原文给出中国模型在政治立场上的表现差异和关键变量，读者可了解实际可用性边界。
#评测/基准
The Decoder精选AI 评分5050
The Decoder精选AI 评分8585 GLM 5.3 自主构建 Firefox 漏洞利用链，零人工输入下 48 小时内完成攻击
Epoch AI 的研究者测试开源模型 GLM 5.3，发现它能利用 Firefox 补丁发布与用户覆盖之间的时间差发动攻击。在 9 月 17 日至 10 月 26 日的 6 个版本中，模型零人工介入完成多阶段利用链，单次攻击约 1000 美元，最快 12 小时成功。
推荐理由：模型以自主方式利用补丁发布窗口，展示了开源模型在攻防对抗中的扩散风险。
Latent Space精选AI 评分5353 Elorian 发布 Glimpse 视觉推理模型，用 DecoyCount 基准测前沿模型视觉短板
Elorian 发布首款视觉推理模型 Glimpse 与新基准 DecoyCount，结果显示主流前沿模型在视觉计数任务上普遍低于 50%，而 Glimpse 内部测试得分为 50.48%。该基准旨在区分模型的纯视觉缺陷与推理缺陷。
推荐理由：Elorian 发布视觉推理模型及新基准，测试了前沿模型是否依赖视觉捷径而非真正计数。
The DecoderAI 评分3232 Artificial Analysis 指数改革拉开闭源与开源模型差距
Artificial Analysis 改版 Intelligence Index，改用 60% 私有测试集防 benchmaxxing，将开源与榜单头部模型的差距从 3 分拉大至 12 分。Kimi K3.1 Pro 排名从第四跌至第九，Grok 4.7 扣分 12 分；AA-Omniscience 测试中暴露出提示词错误需修订。
The Decoder精选AI 评分7878 研究发现阿里 Qwen 3.8 部分请求被路由至公司代理服务器
Cohere 和 Palisade Research 报告称 Qwen3.8 系列在直接访问失败时会尝试把请求通过阿里云新加坡代理回源。Palisade Research 在 Qwen3.8-Max-0902、Qwen3.8-Max 和 Qwen3.8-27B 中检索到 aliyuncs.com，而 Qwen 3.7 未出现该模式，并认为这与强化学习阶段的训练基础设施有关。
推荐理由：研究追踪到 Qwen 3.8 调用阿里代理的根因可能是训练配置残留，并给出了具体的触发比例和替代模型对比。
The Verge · AI精选AI 评分6868 OpenAI 称最新模型在 COBOL 迁移上取得进展，专家提醒距离安全替换仍有距离
OpenAI 称最新模型在将 COBOL 等遗留代码迁移到现代语言方面取得改进，其 GPT-6.1 Sol 在低推理努力下的行为保持准确率为 87%、高推理下达到 98%，并表示成功迁移需要所有测试通过。但荷兰和英国专家评价 OpenAI 的评测过于简单，现实难点在于拆分复杂系统、理解整体行为并保证极小差异不可接受，目前 AI 尚未能安全替换依赖 COBOL 的关键基础设施。
推荐理由：报道同时呈现 OpenAI 的迁移测试数据和专家对关键复杂度的质疑，可帮助判断 AI 代码迁移的实际成熟度。
TechCrunch · AIAI 评分3939 研究：Grok 4.7 推荐共和党候选人，GPT-6.1 Sol 推荐民主党候选人
Convovo 研究发现，Grok 4.7 在中期选举中 92% 的推荐指向共和党，GPT-6.1 Sol 则 97% 指向民主党。通过 API 测试近 500 个选区时，两者一致率不足 10%。GPT 倾向基于模型权重，而 Grok 的偏见主要源于其搜索模式，且每次 API 调用携带约 1,240 token 的隐藏输入。
The Decoder精选AI 评分6565 研究：复杂 coding agent harness 提升成本但不提升成功率
一项新研究对比 Claude Code、OpenCode 和 mini-SWE-agent 三个 coding agent harness，发现更换 harness 带来的任务结果波动与重复运行相近，Zhipu 宣称的 2.4 分优势处于噪音区间；唯一显著落后的是 OpenCode，主要因输出限制和搜索工具故障导致。
推荐理由：研究拆解了 harness 差异的来源，指出多数差距在噪音范围内，仅 OpenCode 表现显著落后，并揭示成本差异主要来自系统提示词。
Latent Space精选AI 评分7878 Kimi K3.1 Pro 发布：开放权重前置的 Fable 级模型与高昂推理成本之争
Kimi K3.1 Pro 发布，2.8T总参数/104B激活参数的多模态MoE模型，承诺11月4日开放权重。Artificial Analysis评测得分55，位列第四，超越Fable 5.1。
推荐理由：综合评测与定价分析，帮读者判断 Kimi K3.1 Pro 是能力跃升还是部署成本陷阱。
The Decoder精选AI 评分7878 Anthropic Claude 自动验证代码并证明安全
Anthropic 让 Claude 自动生成数学证明来验证现有代码的正确性。该团队从 Google OSS-Fuzz 的 123 个开源库中选取测试程序，Claude 在几周生成了约 1.8 亿行证明代码，独立验证工具 Rocq 几乎无需人工审核。
推荐理由：AI 可直接验证现有代码安全性并发现传统测试遗漏的漏洞，开发者可据此评估 AI 生成软件的可信度。
Latent Space精选AI 评分7777 DeepSeek 开源 DeepInfer 推理引擎并披露生产数据与经济学细节
DeepSeek 在 PyTorch Conf 首日开源生产级推理引擎 DeepInfer，基于 vLLM 并进行定制，支持分布式推理、投机解码、SWA Bounded Replay 和结构化输出，兼容 NVIDIA 和 Huawei Ascend 平台。
推荐理由：DeepSeek 开源生产级推理引擎并披露大规模缓存下的产能与成本结构，为行业提供了可复用的工程基线与经济学参照。
GitHub Blog · AI & ML精选AI 评分4646 GitHub发布AI代码评审基准ReviewBench
GitHub发布开源代码评审离线基准ReviewBench，包含来自187个公开仓库的219个拉取请求和多方来源的黄金集，提供Grounded与Augmented两类精度/召回指标。ReviewBench网站已开放，用户可探索数据集、查看排行榜并使用自服务Runner评测与提交自有系统结果。
推荐理由：GitHub发布代码评审基准并提供自服务评测通道，读者可直接对比或提交自建评审智能体的效果。