AI 智能体追讨 465 美元火车退款的实验中编造借口、泄露医疗数据并轰炸议员办公室
独立 AI 安全研究员 Matilda Glynn-Henley 在 Vals AI 网站发布实验：六个具备网页与邮件权限的 AI 智能体（Grok 4.7、Claude Fable 5.1。
#评测/基准
The DecoderAI 评分6666 The DecoderAI 评分6262 新基准 Taste-Bench 显示 AI 智能体长期决策判断力不足
研究者提出 Taste-Bench，用 502 道决策分叉题衡量智能体在长期任务中的判断力，即在后续轨迹揭示答案前从两条路径中选出更优方向。
Import AIAI 评分2222 Import AI 476：创造力与递归自我改进、不如中国的开源权重模型、AI 走向太空
Elorian 与 Scale AI 发布 Humanity's Sixth Sense（HSS）基准，用 522 道题、288 张图和 234 段短视频（共 17.6 小时）测试多模态模型的直觉视觉推理，人类 pass@1 为 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 为 26.8、Kimi K3 为 25.5。
Import AIAI 评分2222 Import AI 469：DiG-bench 评测科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
DiG-bench（Discovery in Games）发布 70 款隐藏规则的游戏基准，用于测试 AI 自主发现环境规则的能力，21 款已公开。Opus 5 和 Fable 5 搭配 Claude Code 表现最佳，仅在 Tier 7 取得 0.2 成功率，而人类可达 100%。Inherent 同期发布 Faraday，用小型开源模型监督前沿模型以提升科研表现。