大模型

Anthropic 与 Accenture 评估前沿 AI，各投 至少 $1 billion

嵌入式评估者将进入 AI 公司内部开展红队、对齐评估与防护测试，企业需预留独立审计与安全验证接口。

发布 PLE 基准：85 个长程物理工程任务，最强配置仅 50.6%

首次用可签字、可计费的物理工程设计交付物评测智能体，暴露出最强配置也仅有 50.6% 且成本极高，可作为工程选型与评测参考。

SANE 验证测试族达 JRH 的 3.7 倍

LLM judge 广泛用于评测与训练，该方法自动生成分数器测试，提升可靠性验证。

跨语言 LLM 流程可复用性获验证：Gemini 3.5 Flash 提取准确率 95.2-97.6%

为多语言金融 NLP 部署提供依据：英文流程可条件复用，但仍需按语言和领域验证；推理努力的迁移效果因领域而异。

Anthropic 向 METR 开放类员工访问，其风险评估结果将公开发布

第三方深度评估前沿模型安全的机制落地，METR 将公开风险评估结果，对安全与合规工程实践有直接参考意义。