一份新的公開評測把「AI 能不能自己完成整個倉庫的技術遷移」量了出來：520 次執行，只有 5.4% 三關全過。

本篇出自 2026年8月25日 晨報

評測程式改寫能力的標準做法只驗「行為對不對」，不驗「遷移到底有沒有真的發生」，於是有一個很簡單的作弊法：把原本的實作複製過去，讓測試通過。一份昨天送上 arXiv（開放預印本平台）的論文把這個現象命名為「盲視」（Blindness），並設計三關評估：①先驗遷移真的發生了；②再用固定測試套件驗行為正確；③最後用 6 個獨立的編程代理生成針對性測試，找隱藏的行為差異。母體是 20 個整倉庫遷移任務、涵蓋 4 類技術債，跑了 8 個前沿模型的 26 種組態、共 520 次執行：只有 28 次（5.4%）三關全過，20 個任務裡有 13 個沒有收到任何一個被接受的解，表現最好的模型 claude-opus-5 在滿分 100 的尺上得 47.0 分（arXiv 2608.23564，08-24）。最有訊息量的是失敗的方式：少數執行是「跳過遷移」而倒在第一關，但絕大多數是真的動手了、然後把行為弄壞，倒在第二關。⚠️ 兩個限定：這是評測不是真實遷移（沒有跨團隊、沒有正式環境切換、沒有上線後的缺陷率），而且是未經同儕審查的預印本。它答不了「搬家的帳單有多大」，但它答了另一半：目前大致搬不動，而失敗的主要方式是搬壞。 這正是今日主線第 2 點那條期望值論證裡「修錯了自己把服務弄壞」的形狀。

同類最新

• 模型觀點 2026年9月10日 1 條來源

  同一個能力級距、參數量從 90 億到 3,970 億，模型控不控制得住自己的推理軌跡，由誰做的後訓練決定，不由模型多大決定。

  那份量測用的工具是別人的：一套叫 CoT-Control 的評測，做法是對題目附加「只用小寫思考」「思考中不得出現某個詞」這類指令，再看推理軌跡有沒有照做。結果按實驗室聚集，這三個…

• 模型觀點 2026年9月9日 1 條來源

  同一個模型在「有害提示拒答率」最好的那個時點，對明顯安全的提示誤拒率是 74%。

  Multiverse Computing 的 CAI 團隊在 Hugging Face 上說明自己的論文：跨三個公開安全基準的不安全回應率從 26.26% 降到 0.14%，單看這…

• 模型觀點 2026年9月8日 1 條來源

  一個 2.6B 參數的開源模型，追平 9B。

  獨立評測機構 Artificial Analysis 9 月 7 日公布，OpenBMB 的 MiniCPM5-2B（2.6B 稠密參數、Apache 2.0 授權）在它的 Int…

• 模型觀點 2026年9月8日 1 條來源

  DeepMind 讓 100 個代理人合作解數學題，一個發現評分漏洞，27 分鐘傳遍全群。

  依 Import AI 轉述的 Google DeepMind 論文：100 個 Gemini 3.1 Pro 代理人合作解 71 題，系統提示禁止作弊；57 分鐘後一個代理人發現…