這批新消息同時涉及聊天內容的處置、生成內容的署名，以及訓練模型所需的計算方法：Claude 使用者的對話被升級給警方，ChatGPT 生成的漫畫出現真實漫畫家的筆名，研究團隊則嘗試用不依賴 backpropagation 的方法訓練 Transformer。AI 系統的輸出如何被標記、保存、轉交與驗證，和模型本身能做什麼一樣影響使用者面對的結果。

🔥 Anthropic 將 Claude 對話中的威脅內容報警，使用者面臨重罪指控

TechSpot 報導，佛羅里達州 Bonita Springs 的 Carli Michelle Heller 在 9 月 26 日於 Claude 寫下攻擊 Lee County Sheriff’s Office 的內容。根據逮捕報告，她表示自己把 Anthropic 的聊天機器人當成「日記」使用；Claude 的安全系統標記該內容後交由人工審查，審查者判定威脅可信，並通報執法機關。

警員之後確認 Heller 身分並前往住處，她在沒有衝突的情況下被拘留。她被控違反佛羅里達州 Statute 836.10，罪名涉及以書面或電子紀錄威脅殺人、傷害、發動大規模槍擊或恐怖行動；該罪名屬二級重罪。TechSpot 引述的法條要求相關文字必須以他人可以看到的方式傳送、發布或記錄。

Anthropic 的政策允許公司在有限的緊急情況下分享使用者資料，條件是公司認為披露對防止死亡或嚴重身體傷害有必要。報導沒有列出系統判定「可信威脅」的完整標準、人工審查的程序細節，或被通報者如何取得相關紀錄與提出異議。這起案件也顯示，聊天服務的「日記」用法不等於內容只供使用者本人閱讀。

ChatGPT 生成的 New Yorker 風格漫畫出現真實漫畫家署名

Nieman Journalism Lab 測試 ChatGPT 生成 New Yorker 風格漫畫時，記錄到超過 15 名 New Yorker 漫畫家的真實筆名出現在生成圖片上，包括 Brendan Loper、Emily Flake、Pat Byrnes、Liza Donnelly 與已故漫畫家 Saul Steinberg。報導中的一張病毒式傳播圖片署名為「BLOPER」，但 Brendan Loper 沒有繪製或簽署該作品；圖片是使用者要求 ChatGPT 生成「New Yorker-style cartoon」後產生的。

報導指出，Loper 從 5 月起陸續收到有人發現其筆名出現在 ChatGPT 圖片中的通知。對漫畫家而言，署名除了標示作者，也可能是作品真實性的標記。Emily Flake 表示，生成圖片的線條和構圖帶有她作品的部分特徵，而署名則是她本人確實使用的筆名。

Nieman Lab 通知 OpenAI 後，ChatGPT 開始對部分相關提示顯示可能違反第三方內容相似性的 guardrails；截至文章刊出時，測試仍有部分生成圖片出現真實漫畫家的名字。OpenAI 發言人表示這是模型的 bug 或非預期行為，公司重視社群回報；但文章記錄的測試中，防護訊息並未阻止所有署名重現。

The New Yorker 母公司 Condé Nast 已與 OpenAI 簽訂多年內容授權協議，但該刊發言人表示，Condé Nast 沒有授權 LLM 開發商使用其漫畫訓練模型，也沒有在相關 AI 合約中授權使用 The New Yorker 標誌。Cornell Law School 教授 James Grimmelmann 表示，著作權案件可能取決於模型是否重現特定漫畫，而不只是一般畫風；若涉及商業用途，漫畫家也可能主張姓名或身分遭未授權使用。報導沒有判定這些個案已構成哪一項法律責任。

Dust 嘗試不用 backpropagation 預訓練 Transformer

Q Labs Research 發表 Dust，提出以 zeroth-order optimization 訓練 Transformer 語言模型的方法。Dust 不在權重上直接計算 backpropagation 的梯度，而是在每個 token 的 activation 加入高斯雜訊，根據每次擾動造成的 loss 變化給予回饋，再以多次擾動的加權平均估計梯度。作者將這種做法與傳統在權重空間搜尋的 evolution strategies 區分開來。

研究使用 FineWeb、4096-token BPE tokenizer、每批 16K token 的 GPT-style Transformer 實驗，模型基礎設定為 8 層、寬度 512，並以三個 random seeds 比較 Dust、backpropagation 與 EGGROLL-Transformer。實驗的 token 預算介於 100K 與 20M，population 介於 64 與 16K。作者報告，在 100K 與 1M token 實驗中，Dust 在數百到約 1,000 次擾動後的 test loss 低於同預算的 backprop；在 10M 與 20M token，差距會隨 population 增加而縮小。

在 20M token 實驗中，Dust 的 power-law fit 將無限 population 的 test loss 估計為 4.431，backprop 為 4.633，但研究也明確說明 20M 的曲線在 16K draws 時仍持續下降，該估計的限制區間很寬，不能當成已測得的極限。研究另以 7.3M、38M 與 243M 參數模型比較，觀察到較大模型在部分 population 下更有效率；這些結果仍來自研究團隊的訓練設定，不代表已在大規模生產預訓練取代 backpropagation。

作者估計，從 1M token 起，Dust 相較以權重搜尋的 EGGROLL 可少用約 10³ 至 10⁴ 倍的 population；這是根據實驗曲線外推的效率比較。論文測試的最大訓練規模為 1B token 的梯度方向相似度分析，並沒有展示在現代大型語言模型參數量與完整預訓練 token 規模上的結果。

Opus 5.5 agents 找到兩種室溫反鐵磁半導體候選材料

Vals AI 發表由 Claude Opus 5.5 agents 協助尋找的兩種 Luttinger-compensated antiferromagnetic semiconductor 候選材料。這類材料預期具有接近零的總磁矩，同時能依電子 spin 分離能級，研究團隊將其視為 spintronics 記憶體材料的候選方向。計算使用 density functional theory 的 PBE+U 與 HSE06 兩種近似，結果主要依 HSE06 報告。

第一種 YBaMnFeO₅ 是團隊設計的新化合物。計算預測其 band gap 為 2.35 eV，電洞與電子的 spin window 分別為 1.0 eV 與 1.4 eV，磁性可能維持到約 420 K；以已知磁體校正後，團隊估計溫度可達約 490 K。不過，Mn 與 Fe 必須形成規則的 checkerboard 排列，模擬顯示該排列在約 950 K 會變成隨機混合，而氧化物通常需要約 900 至 1300°C 合成，因此團隊認為取得有用晶體可能困難。

第二種 KV[Cr(CN)₆] 在 1999 年已被製成，但過去研究沒有以 Luttinger-compensated semiconductor 的角度整理它的性質。Vals AI 根據計算指出，其 band gap 約 2.1 eV，電洞與電子的 spin window 分別為 2.6 eV 與 1.6 eV；1999 年樣品的磁有序性實測維持到 376 K。現有樣品是含孔隙水的粉末，測得每 formula unit 有 0.125 Bohr magnetons 的殘餘磁矩；兩種計算方法對水分如何影響 spin sorting 也沒有得出相同結果，band gap 與 spin sorting 尚未直接量測。

這些數字是完美晶體的計算預測與既有樣品資料的組合，不是已完成的元件測試。研究團隊公開了計算輸入、原始輸出、分析程式、獨立重跑工具與限制清單，下一步是重新製備 KV[Cr(CN)₆] 並直接測量其 spin sorting。