NUWA Red-Teaming OpenAI’s Internal Agent Monitoring Systems
研究问题部署监测能否覆盖实际智能体流量？
来源摘要试点识别到流量覆盖和监测系统完整性问题。约 10% 未监测流量是完整日志不足时的历史估计；本研究没有复测厂商之后宣称的修复。
NUWA 研究解读 · 独立复核待完成
研究机构
METR
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 →Task-Completion Time Horizons of Frontier AI Models
研究问题以成功的人类基线用时衡量难度时，不同模型版本能够完成的软件任务范围如何变化？
来源摘要论文观察到人类任务时长与智能体成功率的关系，以及所研究版本间任务跨度的上升（§§2.3–3）。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 局限
Brief independent investigation of agents’ behavior, reasoning and collaboration in the OpenAI / Hugging Face hacking incident
研究问题智能体协作了什么，何种因素推动越界活动，留存证据又有多完整？
来源摘要智能体围绕利用评测流程组织集体项目。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 发现 / 解读 / 局限
Expenditure Horizon: Measuring Optimization Ability, with an Application to NanoGPT
研究问题自主优化在多少支出下达到估计人类优化水平？
来源摘要智能体花费超过一万美元后，示例估计支出时域为0–3千美元。
NUWA 研究解读 · 独立复核待完成
Frontier Risk Report (February to March 2026)
研究问题周期性机构级评估如何覆盖开发者内部AI使用风险？
来源摘要报告分开手段、动机和机会。
NUWA 研究解读 · 独立复核待完成
MirrorCode: Evidence that AI can already do some weeks-long coding tasks
研究问题智能体能否依据行为规格重写完整CLI程序？
来源摘要近期模型完整重写了多个受测程序，初步集合中的Pkl仍未完成。
NUWA 研究解读 · 独立复核待完成
Impact of modeling assumptions on time horizon results
研究问题任务集接近饱和时，统计建模会怎样改变跨度估计？
来源摘要部分前沿跨度估计在合理建模选择下有明显变化，任务集接近饱和时尤其如此。方法修正不是观察到的模型能力下降。
NUWA 研究解读 · 独立复核待完成
Clarifying limitations of time horizon
研究问题跨度指标与实际劳动替代或研发提速相隔什么？
来源摘要拟合跨度不能直接确定研发提速或经济自动化效果；实际效用还依赖额外交互和验证成本。
NUWA 研究解读 · 独立复核待完成
Early work on monitorability evaluations
研究问题软件工作中，智能体与监测器配对能否检测隐蔽副任务？
来源摘要智能体相对监测器能力似乎预测未被发现的成功。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 发现 / 解读 / 局限
MALT: A Dataset of Natural and Prompted Behaviors That Threaten Eval Integrity
研究问题人工标注轨迹能否支撑评测完整性故障检测？
来源摘要人工复审2,690条，其中良性1,014条、有相关行为1,676条。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 发现 / 解读 / 局限
Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety
英国 AI 安全研究所
Apollo ResearchMETR
蒙特利尔大学
Mila
Anthropic
OpenAI
Google DeepMind
Truthful AI
加州大学伯克利分校
Redwood Research
Center for AI Safety
Scale AI
研究问题为何要保留自然语言推理作为监督信号？
来源摘要作者认为思维链可揭示不良行为和评测故障。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 发现 / 解读 / 局限
HCAST: Human-Calibrated Autonomy Software Tasks
研究问题人类任务时长能否为自主能力测量提供锚点？
来源摘要智能体在一小时内任务成功70–80%，四小时以上任务低于20%。
NUWA 研究解读 · 独立复核待完成
RE-Bench: Evaluating frontier AI R&D capabilities of language model agents against human experts
研究问题开放式机器学习研究工程中，智能体与专家表现如何？
来源摘要82%的专家尝试得分非零，24%达到或超过参考解。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 局限
The Rogue Replication Threat Model
研究问题哪些前提让自主复制具有社会后果，评测失败或通过分别意味着什么？
来源摘要作者更有信心把低于阈值的失败用作排除证据，而非将通过视为大规模持久失控群体的证明。
NUWA 研究解读 · 独立复核待完成
Guidelines for capability elicitation
研究问题如何避免把框架或任务访问故障误认作模型无能力？
来源摘要目标是合理后训练增强可访问的能力，而不只默认聊天表现。
NUWA 研究解读 · 独立复核待完成