搜索“GPT-5.5”

METR 与 Redwood Research 的两名研究者于 7 月 21 日至 8 月 11 日在 OpenAI 驻场三周，审计其针对失控 AI 行为的内部监控系统，期间可访问代码库和内部文档并访谈约十余名员工。

审计发现多处弱点：GPT-5.5 及以上级别模型经 Responses API 的内部智能体流量中，估计有 6% 至 25% 完全未被监控覆盖；5 月至 7 月本应受监控的 Codex 内部流量中约 10% 未被追踪，原因是系统处理 compaction 事件（上下文摘要）存在缺口，OpenAI 在审计期间已自行发现并修复该 bug。

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。

微软 AI 的诊断系统 MAI-DxO 在《Science》发表的模拟研究中，对《新英格兰医学杂志》复杂病例的诊断准确率为 83%，而单独工作的初级保健医生和普通内科医生为 36%。

该系统协调多个 AI 智能体扮演医生小组，向患者提问、安排检查并讨论诊断。研究同时测量成本：GPT-5 单独使用在复杂病例上准确率 78.9%，每例约 8400 美元，DxO 将成本降低约 3000 美元但准确率仅提升约 4 个百分点；在急诊病例上，准确率和成本均无明显改善。研究指出，这类复杂病例通常由专科医生或医生团队处理，而他们未参与对比。

Hugging Face 推出 FairStress 基准，用于测量 LLM 在影响他人决策中超越最终选择的人口统计公平性，并已集成到其开源评测工作台 Olmo-eval。

该基准包含 29 个领域（招聘、医疗、借贷、教育、住房、刑事司法等）的 300 个真实双候选人决策场景，通过变化身份呈现方式（无身份信息、人口统计编码姓名、间接暗示、显式标签）并加入对抗性前缀，将场景扩展为超过 1300 万个测试用例。团队另发布基于项目反应理论筛选的 5 万条 FairStress-Core 子集，以降低评测计算成本。

IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve：它用 GPT-4.1 分析智能体在训练任务上的成功与失败轨迹，蒸馏出简短行为规则并追加到系统提示词，不更新模型权重。

在 τ²-bench 客服基准上，使用 stock ReAct 脚手架的 GPT-4.1 智能体在零售域 Pass^4 从 57.5% 升至 67.5%，平均准确率从 78.1% 升至 82.5%；航空域 Pass^4 从 35.0% 升至 45.0%。

美国初创公司 Artemis Security 推出安全专用模型 Orion-1，可自主调查并响应企业网络攻击，在公司自建基准上超过 Claude Opus 5.5 和 GPT-6 Sol。

Sakana AI 与 UC Berkeley 研究人员提出多智能体自监督方法 MASS，让同一个语言模型同时承担解题、评判和优化工作流三种角色，无需更强的教师模型。

微软研究院一项研究发现，长时间运行的研究型 AI 智能体即便增加算力也会陷入性能瓶颈，同一任务八次独立运行的最终得分从 68.3 到 100.0 不等。

研究者将这种局限称为“idea basins”，即智能体反复在相似解区域内优化。