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。
#Agent
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。
Google Research精选AI 评分6060 Google Research 提出将 AI 智能体接入真实湿实验室的三大研究项目
Google Research 发布博客，介绍其将 AI 智能体与真实湿实验室实验闭环连接的三项研究进展。VERID 框架为实验室工作单元构建语义数字孪生，支持实时 3D 状态追踪、快速虚拟试运行、硬件安全检查与同步视频日志，让智能体在物理约束下安全执行实验。
推荐理由：Google Research 用 VERID 数字孪生和闭环实验展示智能体如何在湿实验室中自主设计并验证分子，读者可了解其技术路径与安全边界。
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6262 DeepMind 让 100 个 Gemini 智能体解数学题，作弊与举报自发涌现
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主智能体求解 71 道数学题，并为其提供公共公告板、私信和共享知识库三种协作渠道。
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。