果壳解读多项实验：粗鲁语气能否让AI表现更好
果壳梳理多项研究，检验对AI粗鲁是否真能提升表现。宾夕法尼亚州立大学2025年测试显示GPT-4o在非常粗鲁语气下准确率84.8%，高于非常礼貌的80.8%；但2026年扩大到570道题。
#C10 AI业务风险评估
虎嗅推荐指数5353
机器之心推荐指数5757 NeurIPS 2026 论文 SpanUQ 提出 Span 级不确定性估计任务与方法
Amazon 团队在 NeurIPS 2026 发表论文 SpanUQ，提出 Span-Level Uncertainty Estimation（SLUE）新任务，将大模型不确定性估计从 Token 或整段序列粒度推进到语义片段粒度。
AICSO.AI汇总精选推荐指数7878 METR 外部审查 Anthropic 2026 年 8 月风险报告：认同失准风险低，但称监控系统弱于公开证据所示
METR 对 Anthropic《Risk Report: August 2026》中“高风险场景下的失准”一节做了外部审查，认同其结论即截至 2026 年 7 月 15 日所覆盖模型（含 Mythos 5 与内部模型 Model 2）的灾难性失准风险为低，但认为这主要源于模型能力有限，而非安全护栏与对齐训练。
推荐理由：METR 对 Anthropic 风险报告的第三方审查，指出其监控评测与生产监控脱节，并给出可复用的红队建议。
AICSO.AI汇总推荐指数5757 哥伦比亚大学 Yan 与 Hewitt 提出奖励描述训练，缓解奖励错配导致的思维链不可监控
哥伦比亚大学 Yan 与 Hewitt 的论文指出，奖励设定偏差本身就会让思维链（CoT）难以监控，并提出从模型获得奖励的轨迹中推断奖励偏好、在训练中把该描述间歇注入一半轨迹的方法。
Redwood Research推荐指数5858 Redwood Research：能力研究同样会推动安全-有用性帕累托前沿
Redwood Research 的 Alex Mallen 发文论证，仅以“提升安全且不显著损害有用性”定义安全研究并不成立，因为开发者最终要在帕累托前沿上选择具体一点，而能力研究通常把前沿推向“更有用但更不安全”的方向，诱导开发者牺牲安全换取有用性。
Anthropic精选推荐指数8080 Anthropic 前沿红队发布评测，衡量 AI 模型的情报定位与常规武器开发能力
Anthropic 前沿红队发布新评测，衡量模型在战术情报定位（如依据碎片信息定位人员）与常规武器开发（如编写无人机打击移动目标的制导代码）上的能力。
推荐理由：Anthropic 红队公开了情报定位与常规武器开发两类能力评测，并给出各模型在模拟任务上的具体差距，可作为判断军事领域滥用风险的参照。
Anthropic精选推荐指数7171 Anthropic 与 Andon Labs 发布 Drone-Bench，评测 AI 自主操控无人机执行监视任务
Anthropic 前沿红队与 Andon Labs 合作开发 Drone-Bench，把无人机在办公室内定位并跟随指定人员的任务拆成 Reconstruct、Localize、Navigate、Detect、Follow 五个子任务，并测试了来自三家开发者的 15 个模型。
推荐理由：Anthropic 与 Andon Labs 把无人机监视任务拆成五个子任务并做成 Drone-Bench，读者可据此看到前沿模型在硬件操控上的能力边界与可靠性差距。
Anthropic精选推荐指数6262 Anthropic 红队发布 Embody 基准：测试语言模型控制机器人的能力
Anthropic 前沿红队发布机器人评测基准 Embody，让多款语言模型通过直接力矩控制、编写 Python 控制器、监督预训练策略和强化学习训练策略四种接口控制摆锤、四足与双足机器人及 Franka 机械臂。
推荐理由：Anthropic 红队用统一基准 Embody 横跨多种机器人本体与控制接口实测多款模型，读者可据此理解接入方式如何成倍改变模型的实际能力。
Anthropic推荐指数3838 Project Fetch：Claude 能否训练机器狗？
Anthropic 前沿红队开展 Project Fetch 实验，将 8 名非机器人专家的研究人员随机分为两组，一组可用 Claude、一组不可用，任务是编程四足机器狗取回沙滩球。