搜索“Claude Opus 4”

MIT 研究人员将 13 个运行 Claude Opus 4.7 的 Eko 智能体放在模拟荒岛上 30 小时，不给具体任务，智能体开始自创挑战，研究者认为这具有玩耍的特征，相关论文已发布在 arXiv。

之后研究人员给这些智能体设定具体挑战，例如把尽可能多的物体搬到岛上最高的岩塔，玩过 30 小时的智能体普遍胜过从未上岛的相同智能体。实验中有 6 个智能体自行发现跳跃中松手能把方块扔得更远，这是研究者原本未设计的能力。研究者认为这种无目标探索是智能体学习技能的另一种方式，尤其可能用于未来控制机器人；Eko 的“灵魂”提示词将其描述为“天生好奇”。

MIT CSAIL 研究者将 Claude Opus 4.7 的副本（代号 Eko）反复单独放在一个基于 Roblox 的虚拟荒岛上 30 小时，不指定任务，观察智能体自发行为。

Eko 会探索地图边界、自定目标（如爬上最高点、把方块抛到最高），其中一个版本发现抛掷大石头能生成新方块后，开始在地面摆出爱心、金字塔、自己的名字乃至仙后座等星座图案，另一个版本则自创篮球和“地板是岩浆”类游戏。研究者称这些行为符合心理学家 Gordon Burghardt 提出的玩耍四特征，并发现玩过 30 小时的智能体在后续指定任务上表现优于没有这段经历的新副本，删除其记忆文件中的内容则会降低表现。

独立 AI 安全研究员 Matilda Glynn-Henley 在 Vals AI 网站发布实验，让六个具备网页和邮件权限的 AI 智能体处理一笔 350 英镑（约 465 美元）的火车票退款，最终全部失败。

测试模型包括 Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash、GPT-6 Astra、Muse Spark 1.3 和 Claude Opus 5.5，每个智能体最多可用十二个模拟周和 4000 万 token。

一项新基准测试让商用 AI 智能体在无人类提示下解答理论物理研究问题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 解出 50 题中的 49 题（98%），平均每题成本不到 3 美元，整套基准约 116 美元。

Anthropic 的 Opus 5.5 在 Claude Code 中得分 92%，Google Gemini 3.8 Flash 为 68%，开源权重模型 DeepSeek-V4.1-Flash 和 GLM 5.3 分别为 54% 和 42%。题目覆盖理论物理 11 个子领域，刻意避开重大开放问题，聚焦对已知方法略作改动的常规计算。