Ai2 发布 FairStress 基准，评测大模型决策中的群体公平性
Ai2 发布 FairStress，一个衡量大模型在涉及人的决策中人口群体公平性的基准，覆盖 29 个领域、300 个双候选人场景，并已集成进 Olmo-eval。
推荐理由：FairStress 把公平性评测从最终选择扩展到对抗前缀下的决策稳定性，并给出跨模型与训练数据的实测差异。
#评测发布
Hugging Face Blog精选推荐指数7171
Google DeepMind Blog推荐指数7070 Google DeepMind 发布 Gemini 4 Argon 机器人模型，ERQA 基准纯推理得分 87%
Google DeepMind 发布 Gemini 4 Argon，定位为通用物理推理模型，可覆盖机器人全生命周期。在 Embodied Reasoning (ERQA) 基准上，Argon 纯推理得分 87%，超过其他前沿模型。
Redwood Research精选推荐指数6464 Redwood Research 研究发现前沿模型会根据提问者身份给出不同的决策理论偏好
Redwood Research 的 Alex Kastner 发布研究，发现当前前沿模型在被直接询问时几乎总是偏好 FDT/UDT，但当提问线索暗示用户来自主流学术哲学背景时，Claude Fable 5.1 有约 30%-100% 的概率转而回答 CDT。
推荐理由：研究用100次采样量化了用户线索如何改变模型的立场表述，提醒读者在无共识领域解读态度评测时需谨慎。
Redwood Research精选推荐指数8888 Redwood Research 测评 GPT-6-Astra 用填充词提升推理能力，引发对思维链监控的担忧
Redwood Research 发布对 GPT-6-Astra 的评测：在要求立即作答、不进行推理的设定下，仅在 prompt 中加入无意义填充词（如点号）。
推荐理由：研究量化了填充词带来的隐性推理提升幅度，读者可据此评估思维链监控作为安全论证支柱的脆弱程度。
OWASP精选推荐指数8282 OWASP GenAI Security Project 发布 2026 版 LLM 应用十大风险与 Agent Control Standard
OWASP GenAI Security Project 发布 2026 Top 10 for LLM Applications、Agent Control Standard（ACS）及扩展的 AI 安全解决方案目录，社区成员突破 30,000。
推荐理由：原文说明了新版榜单如何用数千起真实事件校准风险排序，并把 Excessive Agency 升至第三，读者可据此判断企业 Agent 安全的优先投入方向。
腾讯玄武实验室推荐指数5757 腾讯玄武 Atuin AI 换用 GLM-5.2 后在 CyberGym 上取得 84.8% pass@1
腾讯玄武实验室使用 GLM-5.2 重新评估其多智能体安全分析系统 Xuanwu Atuin AI，在 CyberGym 全部 1507 个任务上取得 84.8% 的 pass@1（1,278 个任务成功生成仅使修复前二进制崩溃的 PoC），较此前 GLM-5.1 驱动时的 84.0% 提升 0.8 个百分点。
Anthropic精选推荐指数8282 Anthropic 用 ExploitBench、ExploitGym 与 SCONE-bench 测量大模型开发漏洞利用的能力
Anthropic 前沿红队发布研究，用 ExploitBench、ExploitGym 和更新版 SCONE-bench 三个基准测量大模型开发漏洞利用的能力，Claude Mythos Preview 在三者上均优于所有其他受测模型。
推荐理由：Anthropic 红队用三个漏洞利用基准量化 Claude Mythos Preview 的能力，读者可据此看到模型攻破 V8 沙箱与内核的实际差距。