Anthropic Frontier Red Team 评估 GLM-5.3 等模型的漏洞利用能力
Anthropic Frontier Red Team 在内部 Binary Exploitation 基准中随机选取 100 个任务评估多个模型，GLM-5.3 在 4% 的试验中实现完整的控制流劫持，Claude Mythos Preview 为 6%。此前的 Claude Opus 4.6 和 GLM-5.2 在这些任务中均未成功，报告认为一个有意义的能力门槛已被跨过。
全部AI 动态
全部动态
今日 2 条Simon WillisonAI 评分6262 Google ResearchAI 评分4040 Google Research 提出 Diffusion Controller：统一并简化 AI 图像生成控制
Google Research 提出 Diffusion Controller 框架，把扩散模型的去噪过程重构为连续控制问题，用一个轻量"转向阻尼"网络在基础模型完全冻结的情况下动态调整生成轨迹。
Microsoft Research精选AI 评分6262 微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由跨序列、结构、功能、细胞状态和成像等多模态数据联合训练的生物学世界模型，以及连接模型、科学工具、文献与实验人员的交互式 harness 组成。
推荐理由：微软研究院公开 Quine 的生物学世界模型与实验闭环设计，并给出胰腺癌化合物筛选的湿实验验证结果。
Hugging Face BlogAI 评分2929 ProvenanceGuard：面向 MCP 智能体的来源感知事实性验证
Hugging Face 发布论文 ProvenanceGuard，一种面向 MCP 智能体的生成后验证层，可区分"事实有据"与"来源正确"，专门捕捉把某来源的事实错误归因到另一来源的跨来源混淆。在医疗智能体 281 条真实 trace 上，专家判定应拦截的 139 条 claim 中它拦下 138 条，来源识别准确率约 86%，并在与四种支持性检查器的对比中得分最高。
Import AIAI 评分6262 DeepMind 让 100 个智能体解数学题，出现作弊与举报行为
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主 LLM 智能体协作求解 71 道数学题，题目来自 Formal Conjectures 数据集。
Google ResearchAI 评分2424 Google Research 研究跨人群基因组预测的迁移学习策略
Google Research 用 UK Biobank 约数十万欧洲样本与 Biobank Japan 近 20 万日本样本，在 8 项临床指标上评估多基因风险评分（PRS）的跨人群迁移效果。结果显示，目标人群样本达 15k 以上时，专用模型优于混合欧洲数据训练；遗传相关性高的性状可继续受益于欧洲数据至 25-40k+ 样本，而 HDL、LDL 和血糖等高度人群特异性性状受益有限。
Google Research精选AI 评分6262 Google 与 HHMI Janelia 等发布雄性果蝇完整脑连接组图谱
Google 与 HHMI Janelia、剑桥大学等合作在 Cell 发表论文，发布雄性果蝇脑与中枢神经系统的完整连接组图谱，包含超过 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计最大的脑图谱。
推荐理由：Google 与 HHMI Janelia 等合作发布迄今神经元数量最多的雄性果蝇完整连接组，并说明 AI 重建方法如何降低人工校对成本。
Import AIAI 评分2222 Import AI 470：机器不应享有权利；SPADE 自动生成训练环境；Hawkeye 优化 GPU kernel
METR 研究显示 AI 对科研的加速并不均衡：2026 年网络安全漏洞报告速度较 2025 年大幅加快，数学领域仅小幅加速，AI 研究本身则无可测量加速。多校团队提出 SPADE 框架，让 LLM 交替生成可执行训练环境并求解，在 Qwen3-30B-A3B 上游戏环境套件均分达 58.3，较基线提升 8.1。
Import AIAI 评分2222 Import AI 469：科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 第 469 期介绍了 DiG-bench（Discovery in Games）基准，包含 70 款规则与目标均隐藏、需靠交互探索发现的游戏，其中 21 款已公开。
Import AIAI 评分6262 Import AI 467：自维持AI病毒、AI进展节奏与创造力争议
多伦多大学、Vector Institute、剑桥大学与ServiceNow的研究者构建了一个原型AI蠕虫，利用被攻陷机器的GPU运行开源权重LLM进行推理，自主发现漏洞并自我复制，漏洞检测成功率约80%、利用成功率约53%、自我复制成功率88%，整体攻击成功率约37%。
Berkeley AI ResearchAI 评分3434 Berkeley AI Research 提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，以替代完整交互历史作为智能体工作上下文。在协作编程基准 CollabBench 上，ABBEL-rec-BG 将相对全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值 token 长度也显著低于全上下文设置。
Berkeley AI ResearchAI 评分3939 GRASP：面向世界模型的基于梯度的长时程规划方法
伯克利 AI 研究团队提出基于梯度的规划器 GRASP，通过将轨迹提升到虚拟状态实现跨时间并行优化、向状态迭代直接注入随机性以探索、并重塑梯度让动作获得清晰信号，从而让世界模型的长时程规划变得可行。
Berkeley AI ResearchAI 评分3434 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性把交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约少 10 倍的消融次数达到 SPEX 的性能。
Berkeley AI ResearchAI 评分3232 伯克利提出信息驱动成像系统设计框架，登 NeurIPS 2025
伯克利 AI 研究团队提出一种基于互信息的成像系统评估与优化框架，仅用带噪测量和噪声模型即可量化系统的信息含量，论文发表于 NeurIPS 2025。该指标在彩色摄影、射电天文、无透镜成像和显微成像四个领域均能预测解码器性能，优化后设计可媲美端到端方法，且内存和算力需求更低、无需任务专用解码器。