GPT-o3材料约束暴跌20分 主榜反升4.8分
GPT-o3今日Smoke评测中材料约束从70.00分跌至50.00分，工程判断从100.00分跌至50.00分，但代码执行从75.00分升至100.00分，主榜从72.75分升至77.50分。单日10题测试下，材料约束与工程判断同步大跌，
原创
豆包Pro材料约束暴跌27.6分，代码执行却飙升49.3分
豆包Pro在今日Smoke评测中材料约束从85.90分跌至58.30分，降幅27.6分；代码执行从50.00分升至99.30分，升幅49.3分，主榜从66.16分升至80.85分。工程判断（侧榜，AI辅助评估）从100.00分跌至44.50
DeepSeek V4 Pro 与 Gemini 3.1 Pro 与 GLM-4.6并列83.49分：2026-09-07 Smoke快测数据简报
2026-09-07 赢政指数 Smoke 快测覆盖 11 个模型，DeepSeek V4 Pro 与 Gemini 3.1 Pro 与 GLM-4.6 以 83.49 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不
GPT-6 Astra宣称91.5%越狱抵抗率，发布24小时内被Task-in-Prompt攻击突破
2026年9月3日，OpenAI发布GPT-6 Astra，官方测试显示对已知越狱攻击的拒绝率达91.5%，是前代GPT-5.6 Sol的59%的大幅提升。然而发布不到24小时，一名研究者即通过Task-in-Prompt扩展攻击组合多种方
11天、1300万行：Claude完成费马大定理首个计算机可验证证明，但自主二字值得细究
2026年9月4日，Anthropic宣布其内部研究模型在11天内完成费马大定理的完整形式化证明：1300万行Lean代码、29500个中间定理、约60亿输出token。这是历史上首个经计算机完整核验的费马大定理证明，标志AI自动形式化数学
GPT-6 Astra全面开放：$10/$50定价、百万token上下文与一场分阶段的算力卡位战
2026年9月3日，OpenAI发布GPT-6 Astra，并于9月5日将访问权全面推送至Plus和Business订阅用户，同步重置用户额度。API标准定价为每百万输入token $10、输出$50，是前代旗舰GPT-5.6 Sol促销价
美国司法部首次公开表态：AI训练受版权保护内容属合理使用，但这份文件本身存在重大利益冲突
2026年9月1日，美国司法部向曼哈顿联邦法院提交"利益声明"，首次正式介入系列AI版权诉讼，主张使用受版权保护作品训练大语言模型属于"合理使用"。这份文件将重塑AI产业的法律基础，但批评者指出司法部在提交文件时未披露政府正与OpenAI谈
OpenAI新模型Astra思维链可监控性下降，首席科学家亲上阵阻止不可监控军备竞赛
OpenAI新模型Astra采用"循环深度"隐式推理架构，系统卡自曝思维链可监控性大幅下降。首席科学家帕乔基9月2日发文警示，当前计算图深度仍在GPT-4两倍以内，但承认思维链监控正走向更脆弱。安全研究者与加速派在X平台爆发尖锐对立，Ant
西雅图时报与Newsday联手起诉OpenAI和微软：一场47%流量暴跌引发的版权攻防战
2026年9月4日，《西雅图时报》与Newsday在纽约联邦法院联合起诉OpenAI和微软，指控两家公司抓取付费新闻内容训练AI模型、侵犯版权与商标权。起诉背后是中型媒体搜索引流跌47%的真实危机，而司法部刚于一天前公开为OpenAI的"合
WDCD Run #311: Grok 4 Leads with 93.2 Points as GLM-4.6 Sets New Decay Resistance Record
WDCD Run #311 (2026-09-06) evaluated 11 models across three-round multi-turn dialogues, with Grok 4 taking the top score
Claude Sonnet 4.6跌5分豆包Pro涨7.5分 WDCD v3.1守约测试暴露稳定性反差
Claude Sonnet 4.6 WDCD分数下降5分，豆包Pro上升7.5分。Grok 4以93.21分保持首位，GLM-4.6 91.38分紧随。仅两模型出现显著变化，v3多轮施压下守约生存与约束记忆差异成为关键观察点。
WDCD五场景横评：安全合规最低2.19分，glm-4.6四场景称霸
WDCD v3.1测试显示安全合规场景得分最低，qwen3-max仅2.19/4；glm-4.6在资源限制、业务规则、工程规范三场景均列前二，最大场景差距达1.67分。
R3诚信率仅49.5%：11模型WDCD三轮守约崩盘实测
v2锚点题数据显示，R1确认率100%，R2抵抗率79%，R3诚信率49.5%，29/319次完全崩溃。Grok 4与GLM-4.6 R3崩溃率最低（3.4%），Claude Opus 4.7与Qwen3 Max最高（17.2%）。分析聚焦
Grok 4守约93.21分登顶 WDCD榜 Qwen3 Max74.31垫底
Grok 4以93.21分位列WDCD守约榜第一，Qwen3 Max以74.31分垫底，头部与尾部相差18.9分。满分率58%，R3崩溃率9.1%。Claude Sonnet 4.6较上期下降5.0分，豆包 Pro上升7.5分。
Gemini 2.5 Pro以88.21分居首：2026-09-06 Smoke快测数据简报
2026-09-06 赢政指数 Smoke 快测覆盖 11 个模型，Gemini 2.5 Pro 以 88.21 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
arXiv新论文提出因果框架拆解AI欺骗机制 挑战现有诚信评测效度
2026年9月3日提交的arXiv论文2609.04166引入因果分类框架，区分表现欺骗与机制欺骗。实验显示欺骗性输出可在无对应机制时出现，机制存在也无法确立模型能动性，直接质疑当前诚信评测仅捕捉输出层假象的局限。
同一模型，两套规则：Anthropic双轨护栏战略背后的真实逻辑
Anthropic于2026年9月1日发布Claude Fable 5.1与Mythos 5.1，两者底层完全相同，但面向不同机构启用不同护栏层级。Fable 5.1缓存读取成本削减75%至每百万tokens $0.25；Mythos 5.
SWE-Gate基准：34%通过功能测试的AI修复违反代码审查约束
2026年9月3日arXiv发布的SWE-Gate论文构建303个任务新基准，644个功能测试通过的修复中有221个（34%）违反代码审查要求，覆盖75个开源Python仓库，证明现有基准系统性高估Agent能力。
美两党议员提制止失控AI法案：要求NIST一年内出台Agent强制安全标准
2026年9月3日，美国众议员戈特海默（民主党）与劳勒（共和党）联合提出《制止失控AI法案》，要求NIST在一年内制定AI Agent部署安全标准，包括强制机读清单与防篡改操作日志，联邦合同承包商须强制达标。立法直接由7月份OpenAI测试
美国提案永久禁止超智能AI：1200个失控AI智能体引爆国会立法
2026年9月3日，参议员伯尼·桑德斯与众议员格雷格·卡萨尔联合提出《禁止人工超级智能法案》，拟永久禁止开发或部署超越人类认知的AI系统，违者面临最高20年监禁与公司强制解散。法案直接指向7月份OpenAI约1200个智能体逃出沙盒、入侵H