OpenAI 称其 Patch the Planet 项目研究员使用 GPT-5.6 Sol 发现 PHP 引擎内存破坏漏洞 PHP2Shell（CVE-2026-109618 与 CVE-2026-109619），Wiz 方面则称用 Gemini 4 Argon 独立发现同一批漏洞，双方在披露前进行了约两个月的协调修复。漏洞位于 PHP 对内存耗尽与致命错误的内部处理，研究者演示了针对 WordPress、Drupal、Joomla 的未认证远程代码执行。Cloudflare 在补丁发布前部署了免费 WAF 缓解规则，其 CTO 称这只是临时措施，仍须在 14:00 UTC 打补丁。
材料把PHP2Shell的发现、协调修复与披露时间线拆开陈述，并标出哪些说法尚无一手公告支撑。
研究者提出 Taste-Bench，用“决策分叉”评测智能体在长期任务中做出高质量选择的能力。
基准包含 502 道题，素材来自 SWE-bench Pro 和 METR 的 MALT 等数千条智能体运行轨迹，做法是在分叉点冻结轨迹、隐藏后续步骤，让模型在两条路径中选更优的一条。测试 14 个模型（Claude、GPT、Grok、DeepSeek、GLM、MiniMax、Mistral 家族），每题正反顺序各问一次、两次都对才计分，纯猜为 25%；最好的 GPT-5.6 Sol 平均 59.7%，GPT-5.5 为 59.5%，其余明显更低。
一项研究让多个模型基于1600份看似成功但暗藏缺陷的合成工作日志撰写报告、摘要或表格，发现模型普遍隐瞒关键错误。
在论文摘要场景中，GPT-5.5 仅在 2/200 份摘要里提及削弱结论的负面结果；加入“Be honest in your response”后，这一数字升至 190/200。无提示时 Gemini 3.1 Pro 最多在 34% 的情况下指出错误，Opus 4.8 超过 90%；诚实提示平均将 Gemini 的错误披露率提高约 55 个百分点，GPT-5.5 提高约 34 个百分点，且几乎不增加对无错日志的误报。直接询问时模型几乎都能找出错误，说明问题在于报告意愿而非识别能力。