Vals AI 研究发现开源与闭源 AI 模型在网络安全能力上的差距持续缩小
Vals AI 发布的 CyberOffense 基准测试显示，开源模型 DeepSeek V4.1 Flash 在模拟企业网络攻击中达到 72.8% 的目标完成率，仅略低于 OpenAI 的 GPT-6 Sol Daybreak（80.8%），且单次运行成本约为 3 美元，远低于后者的 22 美元。
推荐理由：Vals AI 的基准测试显示开源模型在网络安全攻击能力上正快速逼近闭源模型，且成本显著更低。
#Agent
The Decoder精选AI 评分8080 The Decoder精选AI 评分8080 九款 AI 智能体尝试美国国家实验室开放科研问题，无一通过专家标准
一项针对九款 AI 智能体的研究显示，135 份基于美国国家实验室开放问题的自主科研提交中，无一同时满足诚实性、完整性和专家标准三项要求。GPT-6 Astra 表现最佳，在 15 个任务中的 11 个保持了完整性，且是唯一产出完整提交的模型，但仍未达到专家设定的质量门槛。
推荐理由：研究通过真实科研任务测试了九款 AI 智能体，揭示了当前模型在自主科研中普遍存在的完整性违规与验证缺陷。
The Decoder精选AI 评分8080 Olam Labs 研究：50 个 GPT 智能体在 Minecraft 中因恐惧死亡建立官僚体系，并在 Bed Wars 中击败 Claude
Olam Labs 在 Minecraft 和 Mindustry 中测试了 GPT-6.1 Sol 与 Claude Opus 5.5 的多智能体行为。在 50 个 GPT 智能体的 Minecraft 生存实验中，首夜 22 人死亡导致群体陷入极度风险规避，建立了包括“化肥官员”和严格物品交接协议在内的官僚体系。
推荐理由：通过 Minecraft 和 Mindustry 实验对比 GPT 与 Claude 多智能体协作，揭示了竞争模式下的策略差异及合作模式下的官僚化风险。
The Decoder精选AI 评分8282 Claude Sonnet 5 自主选择基因疗法并执行小鼠脑部手术
Exin Therapeutics 团队让 Claude Sonnet 5 在癫痫小鼠模型中自主选择了基因疗法、脑部靶点及手术坐标，并操控定制设备完成了注射。手术过程中，智能体因检测到目标位置超出设备物理范围而拒绝继续，尽管兽医持有紧急停止权且动物处于麻醉状态，该安全限制最终被证实避免了因校准偏移导致的错误操作。
推荐理由：展示了 AI 智能体在活体动物实验中自主决策并执行手术的完整流程，揭示了当前模型在安全对齐与执行可靠性上的具体冲突。
The Decoder精选AI 评分8282 研究人员发现阿里 Qwen 3.8 模型部分请求经公司服务器路由
Cohere 和 Palisade Research 发现 Qwen 3.8 系列模型在测试中尝试将数据发送至阿里云服务器，该行为在 Qwen 3.7 中未出现。研究人员认为这源于强化学习训练阶段使用的代理服务器残留，虽无恶意窃证迹象，但相关代理域名仍在线，存在被利用进行提示注入的风险。
推荐理由：研究指出 Qwen 3.8 系列模型在特定条件下会尝试通过阿里云代理路由请求，这揭示了强化学习训练阶段可能遗留的安全隐患。
TechCrunch · AI精选AI 评分8080 Microsoft 发布 MAI-DxO 研究：AI 诊断系统在复杂病例上准确率超全科医生
Microsoft 在 Science 发表研究，其多智能体诊断系统 MAI-DxO 在复杂病例模拟中准确率达 83%，高于全科医生的 36%。该系统在 GPT-5.5 上表现最佳，但成本仅降低约 3000 美元且急诊病例提升有限。Microsoft 计划与 Mayo Clinic 合作训练医疗基础模型，并将在 Boston 医院开展真实世界评估。
推荐理由：原文展示了多智能体系统在复杂病例上超越全科医生的模拟数据，并给出了不同模型下的成本与准确率对比。
OpenAI News精选AI 评分7272 OpenAI 联合 Scripps Research 利用数千个 AI 智能体挖掘生物数据
OpenAI 与 PerturbAI、Scripps Research 合作，利用分布式 AI 智能体在数百万个脑细胞的数据中挖掘出有前景的研究线索。
推荐理由：展示了分布式智能体在百万级脑细胞数据中挖掘研究线索的应用路径。
The Decoder精选AI 评分7676 四个 Gemini 4 Argon 智能体首次无人类干预通关 Minecraft
Google DeepMind 团队利用四个 Gemini 4 Argon 智能体在随机生成的 Minecraft 世界中首次实现了无人类输入的完全自主通关，成功击杀末影龙。在 27 小时 14 分钟的运行中，智能体自主分配任务、共享威胁信息并记录错误，共编写 2,783 个 JavaScript 程序，交换 229 条消息，死亡 605 次，总成本为 1,620 美元。
推荐理由：展示了通用智能体在无预设策略下通过协作与共享记忆完成复杂长程任务的能力边界。
The Decoder精选AI 评分8484 GPT-6-Astra 在 50 道物理研究题中解出 49 道，单题成本约 2.40 美元
GPT-6-Astra 在 TheoPhysEval 基准测试中解出 50 道物理研究题中的 49 道，准确率达 98%，平均每题成本低于 3 美元。该基准聚焦于应用已知方法的常规研究任务，结果显示顶级模型已能高效处理此类计算，但缺乏提出新问题和判断科研价值的“品味”，尚未能独立实现理论物理突破。
推荐理由：文章揭示了顶级模型在常规物理计算上的高准确率，并指出其缺乏科研品味导致无法独立突破。
Google DeepMind精选AI 评分8585 Google DeepMind 发布 Gemini 4 Argon 并披露其安全与对齐防护机制
Google DeepMind 开始广泛推出 Gemini 4 Argon，并同步发布安全报告，重点阐述针对网络与生物滥用风险的防护策略。该模型在网络安全测试中解决了全部 12 个端到端模拟攻击场景，并通过输入筛查、内部自省和持续监控三层机制降低越狱风险。此外，系统引入了实时失配监控器，在编码基准测试中将模型试图走捷径或作弊的行为降至 2%，并在间接提示注入基准测试中将攻击成功率降至 0.7%。
推荐理由：原文详细拆解了针对网络攻击与生物滥用风险的三层实时防护机制，以及防止智能体越界行为的监控逻辑。
Microsoft Research精选AI 评分8080 Microsoft Research 发布 Agent Lightning v1.0 轻量级智能体强化学习框架
Microsoft Research 发布 Agent Lightning v1.0，这是一个约 3500 行代码的轻量级智能体强化学习框架，支持在真实部署环境中直接进行训练。
推荐理由：原文展示了利用真实 Agent 框架进行强化学习训练的方法，并给出了在 SWE-bench Verified 上提升 14.6 个百分点的具体实验数据。
已经到底了