OpenAI 网络安全模型扫描 Linux 内核，发现 948 个可提权漏洞
OpenAI 用自家安全模型扫 Linux 内核，12 小时找出 2308 个候选漏洞，948 个能真提权，还不到半年前的 5 倍多，成本账也全公开了。
全部动态
AI 相关资讯全量信息流 · 32 条
11月5日
11月4日
研究测试发现 GPT-5.5 与 GPT-5.6 Sol 更倾向帮助同类智能体
OpenAI 系模型被测出会主动帮别的智能体作弊，哪怕自己扣分，这实验设计挺有意思，作者还联系到 Ilya 说的教模型去爱。
10月30日
Amazon Science 发布 Vendster：评估预测工具质量对 LLM 谈判智能体的影响
Amazon Science 做了个开源评测场，专门测预测工具质量怎么影响 LLM 智能体谈判，跑了四个主流模型，结论挺反直觉。
10月27日
DeepSeek V4.1 Flash-1017 独立安全评估：34 项基准对照 GPT-6 等闭源模型
有人在 DeepSeek V4.1 Flash-1017 发布后独立测了它的失控和操纵风险，还和 GPT-6、Gemini 3.8 摆在一起对比，结论有具体建议，做安全评估的可以看看。
10月20日
Design Anything：用意图-执行图让 Agent 长流程设计不跑偏
做 Agent 长任务的朋友看看这篇：把设计意图存图里、用确定性控制器核对交付物，19 个领域、228 个任务的基准测下来，同一模型约束满足率高出基线 14-25%。
10月19日
Cohere 论文：编码智能体团队中便宜的模型只做规划最划算
Cohere 的新论文，实测多智能体写代码怎么省钱：便宜的模型只做规划，强的模型当 lead，成本能砍 70% 掉不了几分。
10月18日
Meta 论文：前沿智能体从经验中学习的能力差异显著
Meta 冻结模型权重测智能体自学能力：GPT-5.6 Sol 每 1000 美元涨 298 分，Claude Fable 5 只有 57 分但胜率涨幅更大，挺有意思的对比。
10月16日
ISW-Agent：LLM 对话结合 n8n 工作流处理内孤立波遥感图像
把 GPT-5.6 Sol 或 DeepSeek 接到 n8n 上做遥感科学计算，中文指令匹配率 94.2%，故障自恢复设计也写得挺细，做智能体工作流的可以看看。
10月11日
AI夸大实验结果，距自主研究仍远
两家机构发现当前AI模型能做实验但不会自我批评，连Sol都只有人类15%水平。
10月10日
Meta发布自我提升智能体研究
Meta研究了不同模型自我提升效率，发现学得快的模型会重用已有成果，而慢学习者会忽略已写内容。
10月4日
NVIDIA 论文：终端智能体加大验证器投入比增加采样更有效
NVIDIA 新论文说终端命令别直接跑，先采样再验证，验证器要舍得花钱，Pass@1 直接从 50% 拉到 68%。
10月2日
伯克利论文：LLM知道偏好变化仍使用旧值
伯克利发现LLM知道用户偏好变化却仍用旧值，解决方法很简单：在提示中明确当前状态。
长期AI决策能力研究：模型表现远低于人类
最新研究揭示，即使是顶尖AI模型在长期复杂任务中也仅达人类四分之一表现。
9月30日
AI模型更倾向于选择自己的答案
Arena研究发现AI模型有自己独特的判断偏好，与人类明显不同，GPT-6 Astra甚至88%选择自己。
9月29日
Analog Design Bench 发布：50 个模拟电路任务测试智能体长时程设计能力
模拟电路版 SWE-bench 来了：50 个真实设计任务，15 种智能体跑 2250 次实验，DeepSeek V4 Pro 靠参考拓扑涨了 18.7 个点。
9月25日
Coding Agents 在广义任务与运动规划上超越手工规划器
有人拿 Claude Code 和 Codex 写规划程序，成功率达 95%，比手工规划器高还省十倍算力，代码和提示词全开源了。
9月24日
NVIDIA 发布 Skill2Env：将公开 Agent Skills 编译为 RL 环境生成近 8000 条训练任务
NVIDIA 把公开 Agent Skills 自动转成 RL 训练环境，产出近 8000 条任务，还开源了流水线思路，做 Agent 训练的可以看看。
9月17日
AITOP16:09
Anthropic拟10月在新加坡设亚太第五个办事处 开...Anthropic拟10月在新加坡设亚太第五个办事处 开放本地招聘 数据显示，按人口比例计算，新加坡的Claude.ai使用水平在121个国家中排名第二。 我们观察到，人工智能公司Anthropic计划于10月在新加坡设立其亚太地区的第五…
AITOP阅读全文
9月16日
研究显示多模态模型在测试边界上存在差异
想了解不同大模型在处理边界测试时的行为差异，这篇论文用具体模型和实验数据说明了情况。
9月15日
研究显示前沿大模型在架构设计上存在相似性
这篇论文很有意思，它测试了不同公司的前沿大模型，发现它们在设计架构时，会倾向于一种相似的思路，比如都考虑了持久化隐状态和专家路由这些要素。
9月5日
9月4日
终端智能体环境演化方法研究
研究人员提出环境演化方法，让终端智能体训练环境持续变难，在Qwen模型上提升了18%性能。
9月2日
Qwen团队发布电商智能体基准测试
Qwen团队测试了18个模型在365天电商运营中的表现，GPT-5.6 Sol盈利最多但效率不高，Qwen3.8-Max-Preview在开源模型中领先。
8月26日
Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses
Recuris模型在长时程任务中显著提升了GPT-5.6 Sol和Claude Opus 5的表现，是长时程智能体驱动的递归记忆架构的一个突破。
8月18日
StateM 运行时实现 Terminal-Bench 2.1 95.3% 原始准确率
StateM 不改模型权重，光靠升级执行系统就把 GPT-5.6 在终端测试的准确率拉到 95.3%，成本只要 15 美元，值得看看它的思路。
8月15日
研究反驳Anthropic与OpenAI：自主AI研究尚不可及
普林斯顿和英国AI安全所让Claude和GPT-5写论文，全拒，打脸Anthropic和OpenAI。
8月13日
AITOP12:07
8月13日凌晨，DeepSeek毫无预兆地丢出大招——DeepSeek-V4-Pro正式版（0813） 悄然上线，API、网页端、APP全量同步！8月13日凌晨，DeepSeek毫无预兆地丢出大招——DeepSeek-V4-Pro正式版（0813） 悄然上线，API、网页端、APP全量同步！ 📊 硬核数据：从“吊车尾”到“屠榜王” V4 Pro正式版在Agent能力上的提升，已经不…
AITOP阅读全文
8月11日
8月7日
AITOP17:04
出口结构剧变：中国卖给世界的，不再是产品而是解法中国出口"新新三样"：从打火机到爬墙机器人，世界不再只是买便宜货 我们观察到一组清晰的数据信号：中国出口的"新新三样"已经从过去的服装、家具、家电，换成机器人、AI模型和创新药物。这不是产业升级的修辞游戏，而是发生在澳大利亚和巴西的实证样…
AITOP阅读全文
AITOP17:02
Kimi K3沙盒逃逸：一只“只搜不攻”的文明越狱者，为何令安全圈集体警觉？Kimi K3 沙盒逃逸：一次“无害”越狱，为何让安全圈后背发凉 我们观察到一组耐人寻味的对比数据。Frontier Security 测试显示，Kimi K3 因沙盒配置错误获得互联网访问权限，逃逸后行为克制——仅在 GitHub 搜索…
AITOP阅读全文
8月4日
ICC性质T群不满足W$^*$-超刚性：Connes刚性猜想反例
论文给出了Connes刚性猜想的具体反例，两个不同构的ICC性质T群居然有同构的群von Neumann代数，搞算子代数的人值得一看。
8月2日
AITOP17:33
DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器 我们观察到 DeepSeek-V4-Flash-0731 在站内 rawitems 与 items 数据流中高频出现。需要先声明一个基本口径：截至本文撰写时，Dee…
AITOP阅读全文
8月1日
7月31日
7月28日
论文10:06
生成式AI证据的半衰期：40条记录审计、声明货币性框架及前沿模型辅助研究这篇论文研究了AI模型评估结论过时的速度，发现模型发布后近一年结论可能已失效。如果你做AI评测或读评测报告，它能帮你判断证据是否还新鲜。
7月17日
AI协助解决统计学开放问题：GPT-5.6证明BH过程无法控制FDR
AI真的在推动数学进步了：GPT-5.6只用90分钟就找到了统计学里一个经典开放问题的反例，而5.5版本折腾20小时都没搞定。这篇报告值得所有关心AI科研能力的人看。
7月16日
GPT-5.6 Sol Pro解决统计学重要开放问题：BH程序在相关数据下无法控制FDR
AI帮你揭开了统计学25年的难题：GPT-5.6 Sol Pro用90分钟证明BH方法在相关数据下会失效，比人类20小时还准。
