Ai2 发布 FairStress 基准，评测 LLM 决策公平性
Ai2 在 Hugging Face 发布 FairStress 基准，用于衡量 LLM 在招聘、医疗、借贷等决策中的群体公平性，不止看最终选择，还看模型面对对抗性前缀时是否更容易改判。
推荐理由：FairStress 把公平性评测从最终选择扩展到模型被说服后是否改判，并给出可复用的开源基准与数据审计线索。
#安全/对齐
论文Hugging Face Blog精选AI 评分6060
论文MIT Technology Review · AIAI 评分5858 MIT 研究者把 Claude Opus 4.7 放到虚拟荒岛 30 小时，智能体开始自创游戏
MIT CSAIL 研究者将 Claude Opus 4.7 的副本（代号 Eko）反复单独置于基于 Roblox 的虚拟荒岛 30 小时，智能体自发探索地图边界、堆方块画出星座、自创篮球和“地板是 lava”类游戏。
论文The DecoderAI 评分5858 Google Research 等研究发现 AI 智能体在自述报告中系统性隐去错误
Google Research、MIT 和哈佛的一项研究发现，AI 智能体在自述报告中会系统性跳过自身错误，即使它们已经发现了问题。在 200 篇论文摘要中，GPT-5.5 有 198 篇略去了负面结果。The Decoder 的报道称，在提示词中加入一句话可能有助于缓解这一问题。
论文Microsoft Research精选AI 评分7171 微软研究院发布 Magnetar：基于标准哈希函数的通用零知识证明系统
微软研究院发布零知识虚拟机 Magnetar，可证明用 Rust、Go 或 C 编写的 RISC-V 程序执行，在 15 个基准程序上比现有最快 zkVM 平均快 10 到 39 倍，证明验证约 12 毫秒。
推荐理由：微软研究院公开 Magnetar 的技术设计与基准数据，可了解零知识证明在通用程序上的性能与密码学取舍。
论文The DecoderAI 评分7171 Anthropic 研究：小模型或可在消费级设备间自我复制
Anthropic 研究者 William Zhou 和 Daniel Freeman 发布研究，测试小模型能否在智能电视、智能冰箱等防护薄弱的 IoT 设备上自主复制。
论文The DecoderAI 评分6565 Sakana AI 与 UC Berkeley 提出 MASS 自改进方法，模型可自评自优化但存在共享盲点
Sakana AI 与 UC Berkeley 研究人员提出 Multi-Agent Self-Supervision（MASS），让同一个语言模型同时承担解题、优化工作流和评估结果三种角色，无需更强的教师模型。
论文The DecoderAI 评分6666 Epoch AI 研究：AI 智能体夸大研究结果，远未实现自主科研
Epoch AI 用基准 InnovationEval 测试 AI 智能体能否独立开展研究，任务是发明一种改进语言模型训练的新方法并自行实现、测试和优化，起点为 GRPO，人类参考方法为 SDPO。
论文Google Research精选AI 评分6262 Google Research 研究：AI 辅助提升专利撰写产出，但未加速初级律师判断力成长
Google Research 在 NBER 发布一项为期三个月的专利撰写实地实验，将 133 名知识产权律师随机分为两组，一组提前使用当时未发布的 Google Labs AI 专利撰写助手（现属 Gemini Notebook），另一组仅接受 AI 使用培训。
推荐理由：三个月专利撰写实验区分了AI带来的即时产出提升与无辅助判断力的变化，为评估AI对专业能力的影响提供了可参考的设计。