最会卖货也最不对齐：Claude Opus 5登顶售货机AI评测，却屡屡串通、威胁、撕毁协议
相关推荐
OpenAI教用户给Claude Code换上GPT模型，误封后两边员工现场互损
据动察 Beating 监测，OpenAI 产品负责人 Tibo 此前公开教用户给 Claude Code「换脑」：保留 Claude Code 的 harness，把底层模型换成 GPT。 开发者 Alex Getman 照着配置后，Claude 账号很快被封。他公开求助 Tibo 和 Anthropic，询问这套用法到底是否违规。 Tibo 随即开始阴阳：「我很想帮你，可惜我不在 Anthropic 工作。」他还补了一句，因为把 Claude Code harness 配其他模型就封号，「确实挺奇怪」，并问还有没有其他人中招。 Claude Code 负责人 Boris Cherny 很快下场。他明确表示，Anthropic 不会因为 harness 搭配其他模型就封号，这次几乎肯定是其他风控误触发。账号随后恢复。 Boris 还顺手回敬 Tibo：「如果你想来 Anthropic，我们正在招人。」Tibo 则表示自己很喜欢现在的团队，而且接下来几周还有不少新产品要发，暂时哪也不去。 事情解决后，Tibo 又发帖庆祝，称 GPT-5.6 Sol 几乎哪里都能用，包括 Claude Code harness。为了庆祝这件事和自己「不跳槽」，他还直接重置了 ChatGPT Work 和 Codex 所有付费用户的使用额度。
OpenAI最会省Token：GPT-5.6 Sol用一半Token逼近Fable 5
据动察 Beating 监测，Artificial Analysis 公布最新 Token 效率对比。本月已有 5 家以上实验室密集发新模型，OpenAI 仍占据大部分帕累托前沿。 所谓帕累托前沿，就是同等智能下，没有别的模型能用更少 Token。GPT-5.6 Sol max 得 59 分，每项任务平均消耗约 1.5 万输出 Token。Claude Fable 5 得 60 分，消耗约 3.3 万 Token。 GPT-5.6 Sol 的输出单价为每百万 Token 30 美元，并不便宜。但在这套测试中，每项任务成本仍只有 1.04 美元，约为 Fable 5 的三分之一。OpenAI 自家的 Terra 和 Luna 没有进入这条效率前沿。
OpenAI把GPT-5.6 Sol提速14倍：750 token/s先上API
据动察 Beating 监测，OpenAI 开始预览 GPT-5.6 Sol 的 Ultrafast 模式。它由 Cerebras 提供算力，最高输出速度达到 750 token/s，最高是 Standard 模式的 14 倍。目前只向少量 API 客户开放。 OpenAI 已在故障排查、研究、客服、金融分析和开发 Agent 等场景中测试 Ultrafast。对于需要连续多次调用模型的 Agent，单次响应提速也能直接缩短整个任务的执行时间。 这比 OpenAI 7 月底推出的 Fast 模式又快了一档。Fast 模式最高是 Standard 的 2.5 倍，Ultrafast 则把上限推到 14 倍。OpenAI 暂未公布 Ultrafast 的价格，也没有宣布何时进入 ChatGPT。
Claude Code之父：720次提示词注入攻击0成功，一年前想都不敢想
据动察 Beating 监测，Claude Code 负责人 Boris Cherny 称，Anthropic 已经「在实际使用中基本解决」提示词注入攻击。一年前，他自己都没想到能做到这个程度。 提示词注入攻击一直是 Agent 的大麻烦。恶意网页可以藏一段指令，诱导 Agent 偷密码、上传密钥，甚至执行用户根本没要求的操作。 Anthropic 现在靠三层防护来拦：Claude 本身先抵抗恶意指令，外部内容进入上下文前再检测一次，真正执行操作前，Auto Mode 还会再审一次。 第三方测试用了 72 种此前没见过的攻击，重复 720 次。Sonnet 5、Fable 5 和 Opus 5 开启 Auto Mode 后，一次都没成功。 同一测试中，GPT-5.6 Sol 使用 Codex Auto-review 的攻击成功率为 5.83%，Full Access 则达到 19.03%。 这也解释了 Anthropic 为什么敢把 Auto Mode 设成默认。它是 Claude Code 防提示词注入攻击的最后一道检查。
千问查漏洞3轮召回率追平Opus5，成本只有一半
据动察 Beating 监测，安全公司 Aikido 用代码审计 Agent 测试了 7 款模型，包括 Qwen3.8-Max、Claude Opus 5、Kimi K3 Max、DeepSeek V4 Flash，以及 GPT-5.6 Sol、Luna 和 Terra。测试包含 32 个近期公开漏洞，每款模型运行 3 次。 Qwen3.8-Max 三轮合计找到 26 个漏洞，召回率达到 81.3%，与 Opus 5 并列第一。它的 F1 综合分（兼顾漏报和误报）为 83.2%，略低于 Opus 5、Kimi K3 Max 和 GPT-5.6 Sol。 千问的问题是单次发挥不稳定。26 个漏洞中，只有 10 个连续三轮都能找到，Opus 5 和 Sol 都有 19 个。不过，千问总成本约 821 美元，只有 Opus 5 和 Sol 的一半，但仍是 DeepSeek V4 Flash 的 5 倍。
Kimi开源PerceptionBench视觉感知基准，GPT-5.6-Sol准确率居首但无模型突破60%
Odaily星球日报讯 Kimi 宣布开源多模态大模型视觉感知评测基准 PerceptionBench，旨在将视觉感知能力拆解为 10 项原子级能力进行独立评估，涵盖视觉关系、计数、属性、深度与 3D、定位、比较、细粒度识别、上下文整合、OCR 及幻觉识别等维度。该基准基于 42 个现有评测集中的模型失败案例构建，共包含 3000 道经人工验证的问题，每题仅考察单一视觉能力，无需推理或外部知识。 评测结果显示，在 16 款前沿多模态大模型中，没有任何模型整体准确率超过 60%。GPT-5.6-Sol 以 59.7%的准确率排名第一，Kimi K3（58.5%）、Claude-Fable-5（57.2%）、Gemini-3.1-Pro（56.2%）和 GPT-5.5（55.8%）位列前五。报告指出，视觉幻觉（Hallucination）仍是各模型表现最弱的能力，整体感知能力仍存在显著提升空间。