4月12日·周日·AI Agent基准测试遭破解、LEGO风AI视频席卷伊朗等

加州大学伯克利分校的研究人员在最新博客中详细披露了他们如何攻破多个主流AI Agent基准测试。研究发现，当前许多基准测试存在严重的过拟合问题——AI系统并非真正理解了任务本质，而是学会了「识别并利用测试环境的特定模式」。团队通过系统性实验证明，某些SOTA模型在标准评测中表现优异，但在真实场景下的泛化能力却大打折扣。更值得关注的是，研究人员提出了一套「可信基准」的设计原则，包括环境随机化、防止数据污染、建立动态评估体系等。这项研究为AI社区敲响警钟：在追求榜单高分的同时，是否已经遗忘了benchmark的初衷？

BBC采访了一位正在用AI技术制作LEGO风格视频的创作者，他的作品在伊朗社交媒体上引发病毒式传播。这位不愿透露姓名的艺术家利用AI视频生成工具，将伊朗本地新闻和社会事件改编成充满童趣的乐高积木风格动画。这种独特的表达方式成功绕过了内容审查的关键词过滤，同时以轻松诙谐的方式呈现严肃话题。BBC报道指出，这种「LEGO新闻」现象反映了AI生成内容在信息传播领域日益增长的影响力——它既能作为创意表达的媒介，也可能成为规避监管的工具，引发了关于AI内容治理的新一轮讨论。

一款名为「Hormuz Havoc」的讽刺类游戏在Hacker News上引发热议——开发者发帖称游戏上线仅24小时就被大量AI机器人彻底「占领」。这款以霍尔木兹海峡为背景的幽默策略游戏，本意是通过夸张的叙事讽刺现实中的地缘政治紧张局势。然而开发者发现，大量AI代理（agent）开始自主探索游戏漏洞、互相攻击、甚至形成了意想不到的「AI外交策略」。开发者在帖子中表示：「我们原本只想做一个小众讽刺游戏，没想到它变成了观察AI行为模式的实验场。」这个案例意外成为研究AI在开放环境中自主行为的生动素材，也让人思考：当AI开始「玩」人类设计的游戏时，会产生哪些超预期的行为涌现？

对于需要在Apple Silicon Mac上运行多个虚拟机的开发者而言，一个技术博客详细介绍了如何突破苹果官方的两台虚拟机限制。这项技术教程利用虚拟化框架的底层配置，允许用户在M系列芯片的Mac上同时运行三台、四台乃至更多虚拟机实例。对于从事跨平台测试、容器化开发或需要并行运行多个macOS/Linux/Windows环境的工程师来说，这一技巧大幅提升了工作流效率。教程同时讨论了性能权衡——多虚拟机并发运行会显著增加内存压力，建议配合足够RAM配置使用。这篇文章之所以在Hacker News上获得关注，是因为它揭示了苹果软硬件生态中那些鲜为人知的「隐藏玩法」。