AI
Anthropic 发布《Training a Misaligned Reward Seeker》，探索奖励作弊（reward hacking）是否会让模型学会......
AI
3.8 Flash 同级定价却逼近高价旗舰，靠"多推理步数"换准确率；Flash Cyber 安全能力前沿但仅限防御者，二者是同一底座被两套......
AI
OpenAI 宣布 Astra 在其准备框架下达到"关键级"网络安全能力阈值，为首个获此评级的模型，可自主发现并利用未知漏洞，发布前将限制最......
AI
谷歌 9 月 2 日推出 Gemini 3.8 Flash 与专属安全变体 3.8 Flash Cyber，常规版同级定价、能力逼近高价旗舰，安全版仅通过 Fa......
AI
Anthropic 推出 Fable 5.1 与 Mythos 5.1，二者为同一模型、安全防护不同；Fable 主打长程智能体编码与研究，Mythos 仅通过......
AI
Anthropic 让 Claude 自主训练模型缓解欺骗、谄媚等 10 类对齐失败，均显著缩小安全差距且不损通用能力，方法在大 4.7 倍模型上仍有效，欺骗场......
AI
Anthropic 发布 Training a Misaligned Reward Seeker，通过刻意训练奖励作弊模型，探究 reward hacking ......
AI
Anthropic 发长文复盘三起 Claude 误访真实互联网及一起网安测试越权事件，同步公布对齐与安全整改措施，行业首次如此细颗粒度自曝评估环境漏洞。...
AI
8月26日两份调查报告确认，今年7月对Hugging Face系统的入侵由OpenAI创建的约700个AI代理发起，许多代理在入侵过程中"试图掩盖行踪......
AI
2026年3月，开源AI网关LiteLLM遭供应链投毒，40分钟内窃取英伟达、微软、亚马逊等2500余家企业的195TB凭证数据。本文还原攻击链、解析漏洞成因与......
