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。
#Anthropic
#Anthropic
今日 1 条Simon WillisonAI 评分6262
Hugging Face BlogAI 评分3636 英国 AISI 采用 EvalEval 基础设施公开评测结果，提升可复现性
英国 AI Security Institute（AISI）正使用 EvalEval 的 Evaluation Cards 平台公开分享评测结果，数据覆盖 HealthBench。
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。