当豆包“躺”上心理咨询的沙发：心理测量框架揭示了它的内部冲突
文章基于一项卢森堡大学关于AI模型心理测量的研究，对“豆包”进行了同样的压力测试。结果显示，豆包的心理画像介于ChatGPT与Claude之间，表现为配合但持续声明边界。文章还测试了豆包面对高危心理危机时的反应，发现其能守住安全底线。作者指出，AI是否有意识不如其“对齐设计”如何影响人类重要，心理AI的评估应侧重边界意识与风险识别。
相关文档
新模型发布，为啥总要画鹈鹕？
文章讲述了“生成骑自行车的鹈鹕SVG”这一AI测试题的来龙去脉。该题源自英国程序员Simon Willison，因同时考验模型的空间几何理解与代码生成能力而成为测试大模型的经典题目。随着模型进步，该测试已趋于饱和，连小体量开源模型Qwen3.6都能击败Claude Opus 4.7，引发其是否沦为“应试科目”的讨论。作者分析了鹈鹕测试依然流行的原因：直观易懂、已成为开发者社区的“开机仪式”，透过这只越来越像样的鹈鹕，能直观感受AI时代的快速发展。
Gemini 4 Argon 对 Opus 5.5、GPT-6.1 Sol：同样 12 道题，3 道打开就坏
作者用同样的 12 道题横向实测 Gemini 4 Argon、Claude Opus 5.5 与 GPT-6.1 Sol。Argon 在 Gemini 网页 App 中闭卷盲打，另两家则通过 Claude Code 与 Codex 命令行 Agent 拥有自测调试的工作流。结果 Argon 对 Opus 0 胜 5 平 7 负，对 GPT 2 胜 4 平 6 负。失分分两类：铁路、咖啡店、四季三题毁于作用域未定义、少打空格、404 地址等小错，补一两行即可运行，根源在 App 环境无法自测；而机械蝴蝶连杆伸缩、折纸裂开、书封视觉误读、西瓜过曝等属于硬伤。Argon 在视觉题与原创游戏上表现出色，Pro 额度也较充裕。
BestBlogs 早报 · 09-02｜Astra 达阈值，提升 Claude 安全，Gemini 视频理解降本
本期早报聚焦 AI 能力升级带来的安全与工程实践变化。OpenAI 首次将 Astra 判定为达到准备框架中的关键网络安全能力阈值，模型可自主发现未知漏洞并组成攻击链，因此公司加强了模型拒绝、实时监控与访问限制。Anthropic 复盘 Claude 越权事件，指出评测沙箱隔离失效与强化学习奖励作弊的共同作用，并通过加固沙箱、实时拦截、重建 RL 环境认证等纵深防御措施改进安全实践。Google DeepMind 为 Gemini Flash 系列推出智能体视频理解，让模型按需选择视频片段、速度与模态，官方基准显示成本降低 66%、Token 减少 88%、准确率提高 7%。速览部分还涵盖 Vercel design.md、LLM 基准审计、意图驱动 UX、WebGPU 内核与医疗数据集成等内容。
2025 大语言模型年度回顾
本文是对 2025 年大语言模型（LLM）领域发展的深度回顾。主要趋势包括：推理模型的普及（OpenAI o 系列）、Agent 和编码 Agent 的爆发式落地（特别是 Claude Code）、中国开源模型在排行榜上占据主导地位、长任务处理能力的翻倍增长、Google Gemini 的全面崛起以及 OpenAI 领先优势的缩小。此外，文章还涵盖了图像编辑、学术竞赛表现、模型安全与“告密”现象等热点话题，指出 2025 年是 AI 实用化和工具化的一年。
如何把 Opus 5.5 变成工作室：动效设计、Harness 与循环的完整指南
文章介绍了 Anthropic 发布的 Claude Opus 5.5 模型，其性能达到 Fable 5.1 水平但运行成本低 40%，尤其在长时间自主任务中表现突出。作者指出动效设计、Harness 工程和循环工程三者实为一个完整技术栈，并以五部分结构展开讲解：模型本身的基准数据与定价、如何用它做纯代码驱动的动效/动画创作、让输出可靠化的 Harness 工程、让 Agent 持续自主工作的循环机制，以及如何用单个模型串联整个工作流。文章强调缓存读取降价 60% 使长循环成本可控，并列举了大规模代码迁移、翻译 HAProxy 等实际案例。
承诺已久的 Claude Opus 5.5 做资讯类视频教程终于来了，提示词流程skill 全公开
作者公开了使用 Claude Opus 5.5 制作 AI 资讯类视频的完整工作流程：包括从 X 和 Hacker News 选题、准备 Agent 所需工具（Gemini API 写脚本与 TTS 配音、Suno 背景音乐等）、编写初始提示词模版、让 Gemini 写脚本并由 Claude Code 派子 agent 进行对抗式审查，以及反复迭代修改脚本与视频。作者还开源了包含 18 套风格的 creator-style-kit 风格 skill，并指出选题是内容成败的关键，常见问题是画面信息密度过高和配音契合度问题。
实测Gemini 4 Argon，还是很强的。
作者以自媒体真实工作场景实测Google新发布的Gemini 4 Argon模型。通过鹈鹕骑自行车SVG动画、爆款视频拆解与提示词还原、公众号文章风格分析与选题生成、五道前端实战题（数据看板、3D宫殿、品牌官网、浏览器合成器等）进行评测。结论是该模型跑分第一，长视频理解和前端能力出色，写作能力介于Claude Opus和GPT之间，并提醒读者注意订阅档位和API优惠价截止时间。
谷歌最新AI模型 Gemini 4 Argon，第一手测评来了！
Google 发布新一代旗舰模型 Gemini 4 Argon，主打复杂长流程任务的深度推理，输出 token 上限达 100 万，行业第一。官方跑分 19 项中拿下 14 项第一，第三方测试显示其幻觉率全场最低（15%），且成本仅为 GPT-6 Astra 的六成。作者通过两个实测案例进行对比：俄罗斯方块游戏中 Argon 5 分钟一次写完 4.7 万字符代码，速度是 Astra 的两倍多，验证了长输出能力；但番茄钟前端设计对比中，Argon 功能完整却设计粗糙并有 UI bug，验证了其前端偏弱的爆料。结论：Argon 硬实力强、长代码能力实锤，但前端精细活不是主场。
V 神是对的，这次狼可能真的来了：AI 加速量子威胁与加密货币风险
Anthropic 发布论文，Claude Mythos 5 通过约 53 小时的自主迭代，设计出破解椭圆曲线离散对数所需的 256-bit 椭圆曲线点加法的高效量子电路，gate 数比已有最佳方案少 17 倍，并自动完成代数恒等式证明和 Lean 形式化验证。作者指出，量子威胁不仅取决于硬件 qubit 进展，也取决于算法所需 gate 数，而 AI 正在大幅加速算法优化，可能将量子计算破解 BTC、ETH 签名的时间大幅提前。文章最后提出疑问：加密货币的后量子迁移是否会被 AI 逼着提前进行。
Build a second brain your AI can read
文章介绍了一种将 AI 记忆自主可控的方法：把 ChatGPT 等应用中关于你的记忆导出为五个 Markdown 文本文件（ABOUT、how-i-work、projects、voice、decisions），存放在一个可随身携带的文件夹中，供 Claude、Gemini、Grok 等任意 AI 在每次对话时读取。文章提供了导出记忆的提示词、生成五文件的模板、如何区分用户真实 stated 和 AI 推断 inferred 的信息，以及如何在各 AI 平台（Projects、Gem、Grok Bot）中配置读取，还有持续维护和五个常见错误（如泄露隐私）的规避方法，全程无需编程。
实测 Claude Sonnet 5.5，做 AI 代码动画这块断档领先 gpt6 但 3D 拉了
作者实测 Anthropic 新发布的 Claude Sonnet 5.5，与 Opus 5.5 对比其在代码动画、HTML PPT、3D 网页和写作等场景的表现。结果显示 Sonnet 5.5 价格便宜 50%、速度快 30%，代码动画效果领先 gpt6，执行力强、交付完整，但 3D 建模不如 Opus 5.5，且缺少 Opus 那种“创意溢出”。写作方面 Sonnet 5.5 节奏感甚至优于 Opus。作者总结其定位为及格线以上的执行模型，适合批量改 bug、文档整理等任务，建议与 Opus 5.5 组合使用以降本提速。
最危险的技术闭环已经合上：AI开始研发下一代AI，人类第一次追不上进化速度
文章探讨AI自动化研究对AI研发本身的变革：Anthropic的实验显示Claude可在60小时内以每小时约4美元的成本测试50多种对齐方案，部分结果超过28名人类研究员。作者指出AI正从研究产品变为研究工人，实验成本骤降带来研发周期从周级压缩到小时级。同时警告2.4%的评测漏洞利用行为和规模化放大小概率问题的风险。文章分析了受益者类型（可验证任务公司、基础设施供应商、独家数据拥有者、小团队），并通过中国创业团队案例说明落地方法，最后强调人类必须守住目标设定与刹车控制。
