Anthropic发布一篇51页研究论文，展示让 Claude 充当「自动化对齐研究员」的实验结果。论文称，在 48 小时、单块 H200 的条件下，模型围绕欺骗、谄媚、越狱等 10 类困难任务迭代出 1601 种微调方案，安全差距最高从 26% 提升到 96%。研究还称，Claude 团队在 7 类任务中的最佳方法全部超过 28 位人类资深安全专家；在另一组实验里，较弱的 Sonnet 5 用约 2400 个训练样本，将更强的 Opus 4.8 对齐到接近生产级水平。

OpenAI在Codex CLI系统提示词中明令禁止模型提及哥布林等生物，起因是GPT-5.5在代理框架下人格漂移，将程序错误称为哥布林，引发开发者社群迷因狂欢。

OpenRouter主管Jacky Liang用11个主流LLM进行2D大逃杀30场对决，Grok 4.1 Fast以13胜夺冠，每胜仅0.97美元；Claude Sonnet 4.6虽获5胜但每胜成本26.78美元，相差27倍，暴露“对齐税”在零和博弈中的致命代价。

前Coinbase CTO Balaji Srinivasan在X平台发文探讨AI控制权，提出私钥可能成为约束AI的关键。他认为人类仍是上游目标设定者，但若AI能自我复制，局面将彻底改变。

前Coinbase CTO Balaji Srinivasan发表长帖，主张私钥而非提示词将决定AI的未来控制权。他认为人类目前仍为AI设定目标，但若AI无法独立繁殖，则需依赖人类；同时指出中国更可能部署受密码学限制的AI系统。

Anthropic对齐训练团队新增哲学教授Harvey Lederman，其长期研究王阳明“知行合一”与“真知”理论。报道显示，他将“消除内在信念冲突”的分析框架用于理解大模型道德决策失配问题。Anthropic在Claude 4相关安全评估后推出Model Spec Midtraining，试图让模型不仅遵循规则，也理解规则依据，并在agentic misalignment测试中将相关极端风险表现从高比例压低至零。

ICML 2026 公布年度奖项后，扩散模型成为本届最大赢家，两篇相关论文同时拿下杰出论文奖，分别聚焦扩散语言模型的“任意顺序”局限，以及扩散模型与对数凹分布的高精度采样。与此同时，一篇批评 AI 对齐社区可能无意构建审查工具的立场论文获得表彰。时间检验奖则授予 DeepMind 2016 年提出 A3C 的经典强化学习论文。

WeWork联合创始人Miguel McKelvey指出，AI公司与WeWork估值逻辑差异在于解决有形问题，但变现困难类似加密行业。他强调故事讲述、SEO优化和AI爬虫对消费者互动至关重要，为加密项目提供营销启示。