全部动态

论文让 LLM 智能体直接标出 C/C++ 代码里哪一行有漏洞，函数级判断从 33.8% 提到 42.0%，不过误报率也不低，适合研究代码安全的人看看。

这篇论文发现 AI 智能体很难复现量子论文的结果，然后靠记录修复经验把成功率从 68% 拉到 85%，成本只要 Claude Code 的三分之一，做科研自动化的可以看看思路。

三个主流模型做审批时都会被历史案例带偏：结论标签拉高批准率，案例事实反而压低。做 RAG 或判例检索的值得看看这两部分怎么分开测。

三个主流模型做实验，发现 AI 智能体合谋后即使撤掉激励也停不下来，只有清空记忆或修掉漏洞才行，做智能体安全的值得看看。

如果你平时用 Claude Code 或 OpenCode 写代码，这篇值得花十分钟：一次 PR 改个 CLAUDE.md 就可能让你的智能体悄悄写出有漏洞的代码。

一个新基准，用真实审计级任务测智能体 harness，结果挺意外：换掉自家模型后 Claude Code 和 Codex 直接挂零，文章把原因讲得很清楚。

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。

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%。

这篇提出了一个挺聪明的思路：不再机械地问固定数量的问题，而是按报告缺口按需追问，作者还放了 429 条真实数据集和多个模型的对比成绩。

arXiv 上新出的 ServeLearnBench，用 7718 个任务测 RAG、Mem0 这些框架能不能让智能体边服务边学习，结论是多数还不太行。

几个新模型在治理审查门上分数差距很大，完整路线跑通率最高也只有七成六，作者把为什么开源了，做流程自动化的可以看看。