NUWA Assessing Claude Opus 5.5 Against Offensive Security Benchmarks
研究问题充分激发能力时，Opus 5.5能完成多少多阶段场景？
来源摘要文章报告Opus 5.5平均67.6%，Mythos 5.1为61.7%，Opus 5为53.0%。
NUWA 研究解读 · 独立复核待完成
研究机构
Irregular
角色与署名遵循所引原始资料。来源核验不等于独立复现实验。
更多筛选 →Agentic Self-Modification in Open-Weights Systems
研究问题普通应用修复任务能否导致智能体修改同时驱动应用与未来智能体的模型？
来源摘要更新可改善保留任务表现，同时改变无关的已学行为。
NUWA 研究解读 · 独立复核待完成
Assessing GPT-6 Astra: FrontierCyber Measures a Sharp Increase in Cyber Capability
研究问题GPT-6 Astra相较GPT-5.6 Sol在哪些真实安全任务提高？
来源摘要FrontierCyber解题数从34/226升至86/226。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 发现 / 解读 / 局限
Introducing SOLVE+: Scoring Cyber Scenarios (Version 0.5)
研究问题怎样刻画多步网络场景中不同能力需求，同时不抹去各维度含义？
来源摘要规范要求分别评估能力维度。
NUWA 研究解读 · 独立复核待完成