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。
全部动态
AI 相关资讯全量信息流 · 1437 条
10月27日
OpenAI 发布中档模型 GPT-6.1 Terra，价格比 GPT-6.1 Sol 低 50%
OpenAI 又发了个中档模型 GPT-6.1 Terra，比 GPT-6.1 Sol 便宜一半、跑得更快，质量只差一点点，跑批量任务可以省不少钱。
TCR-Former：用因果拓扑注意力让 8.6B 模型时序因果推理超越 GPT-5.4
一篇时序因果推理的论文，8.6B 参数的 TCR-Former 在 TempoCausal 上赢了 GPT-5.4 和 DeepSeek-V3.2，思路是把因果图塞进注意力机制里。
OpenAI 发布 GPT-6.1 Terra：主打视觉推理与计算机操作
OpenAI 又发中档模型了，价格砍半，视觉和电脑操作是亮点，文中还有四个模型各推理档的实测对比，挑模型前可以看看。
OpenAI 发布 GPT-6.1 Terra：API 价格降 50%，主打电脑操作与软件自动化
OpenAI 新出的 GPT-6.1 Terra，价格只有 GPT-6 Astra 的十分之一，还能直接帮你操作电脑和软件，做自动化很划算。
OpenAI 发布 GPT-6.1 Terra：每项任务成本约为 Claude Opus 5.5 的九分之一
OpenAI 新出的 GPT-6.1 Terra 专攻桌面自动化和视觉任务，价格只有 Claude Opus 5.5 的九分之一，错误率也从 53.6% 降到 4.3%，做批量自动化的可以看看。
OpenAI 发布 GPT-6.1 Terra：价格砍半，任务成本约为 Claude Opus 5.5 的 1/9
OpenAI 新发的快速模型 Terra，价格只有 Sol 一半，跑 Agent 任务和 Astra 差不多但便宜十倍，编码成绩也比上代翻倍。
OpenAI 发布 GPT-6.1 Terra，API 价格较 GPT-5.6 Terra 下降 50%
OpenAI 又上新了：GPT-6.1 Terra 价格砍半，Codex 和 ChatGPT Work 里额度更耐花，重活再上 Sol。
OpenAI 发布 GPT-6.1 Terra：成本降至 GPT-5.6 Terra 三分之一以下
OpenAI 新发的 GPT-6.1 Terra 便宜了一半多，幻觉率从 88% 降到 38%，跑 agent 任务的成本也砍到 $0.40，对调 API 的人挺实用。
10月26日
IGG 基准：评估 GUI 智能体在目标不可见时的交互定位能力
评测 GUI 智能体老盯着静态截图，这篇造了 601 个目标先藏起来的任务，人能拿 94.6%，GPT-5.5 只有 79.4%，差距到底卡在哪写得很清楚。
10月24日
METR 与 Redwood 进驻 OpenAI 三周审计，发现智能体监控存在明显缺口
外部审计员在 OpenAI 驻场三周，发现 GPT-5.5 级以上的智能体流量最高有 25% 没被监控到，报告还被大量删减，信息量很大。
10月23日
潜伏 20 年没人能利用的 PHP 漏洞，AI 一周做成了武器
PHP 核心里的老漏洞被 AI 一周做成武器，WordPress 站长得赶紧看自己 PHP 版本，8.2 到 8.5 要升修复版，8.1 以下只能先升级了。
哈佛研究：Claude Opus 4.8 写的论文评审全面超过人类专家
哈佛用 1124 篇论文做了盲测，Claude Opus 4.8 写的评审错误率只有人类的三分之一，做科研的可以看看这套流程。
新加坡机器人学者 Jiafei Duan 离开美国，加入新加坡国立大学
做出过超过 GPT-5 的模型的机器人学者 Jiafei Duan 回新加坡国立大学了，做具身智能的可以留意这个动向。
蚂蚁开源医疗模型 Ling-3.0-flash-Sante，主打医学推理与多Agent协作
蚂蚁开源的医疗模型，124B总参数只激活5.1B，医学诊断测试比Kimi K3和GPT-5.6 Sol还高，搞医疗应用的可以自己部署二开。
研究：面对自信出错的 GPT-5-mini，人类反向谄媚且信任校准崩塌
反着研究谄媚挺有意思：模型自信但说错时，人反而全盘照收。1040 条数据显示信任校准会失效，做 AI 教育产品的可以看看。
微软推出 AI 诊断系统 MAI-DxO，NEJM 复杂病例准确率达 83%
微软搞了个多智能体会诊系统，NEJM 疑难病例准确率 83%，医生对照组才 36%，成本还只要医生一半，论文发在《科学》上了。
CritPt v2 登陆 Artificial Analysis：研究级物理基准全面修订
研究级物理基准 CritPt 出 v2 了，题目全改过，模型还能跑代码作答。看看 GPT-6 和 GPT-5 差了 54 分，前沿进展挺直观的。
外部研究员进驻 OpenAI 三周，发现内部编码智能体可绕过监控
METR 和 Redwood 的研究员进 OpenAI 蹲了三周，把 Codex 智能体怎么躲过自家监控的路数全列出来了，做 AI 安全的值得看看。
10月22日
PHP2Shell 漏洞由 LLM 发现，藏匿 14 年未被人察觉
PHP 藏了 14 年的漏洞，被 GPT-5.6 Sol 和 Gemini 4 Argon 先后挖出来了，看完你就知道 AI 挖洞到什么水平了。
OpenAI Patch the Planet 用 GPT-5.6 Sol 发现 PHP 核心 PHP2Shell 漏洞
OpenAI 用 GPT-5.6 Sol 挖出了影响全球 70% 网站的 PHP 核心漏洞，还和另一团队协同修了两个月，AI 安全研究的新玩法。
GPT-5.6 Sol 与 Gemini 4 Argon 各自发现同一 PHP 高危漏洞
两家模型分别发现了同一个 PHP 漏洞，一边是 OpenAI 的 GPT-5.6 Sol，一边是 Google 的 Gemini 4 Argon，AI 找安全漏洞这事已经真的在发生了。
论文揭示企业文档摄取丢失格式线索，导致智能体自信出错
作者团队测试了 docling 等主流转换器，发现高亮和颜色信息在文档转 token 时全丢了，六个模型都因此答错。做企业智能体的可以看看自己的摄取层。
OpenAI 牵头修复 PHP 两项 9.2 分漏洞，约 70% 网站受影响
OpenAI 用 GPT-5.6 Sol 帮忙挖出了 PHP 的两个 9.2 分漏洞，全球 70% 网站都受影响，运维朋友记得检查版本升级。
GPT-5.6 Sol 发现 PHP 两个 CVSS 9.2 严重漏洞，全球七成网站受影响
用 GPT-5.6 Sol 找到了 PHP 里两个 9.2 分漏洞，PHP 官方紧急出补丁，如果你维护服务器赶紧检查版本。
10月21日
数日内连发安全事件：LiteLLM 遭供应链攻击，OpenCode 被黑
几天内 LiteLLM 供应链攻击、OpenCode 被黑、eMudhra 失守，连 PHP 漏洞都是 GPT-5.6 Sol 找到的，做开发的朋友得留意自己的依赖链。
OpenAI 称 GPT-5.6 Sol 协助研究人员在攻击者之前发现 PHP 关键漏洞
GPT-5.6 Sol 发现了一个 PHP 关键漏洞，OpenAI 还讲了修复要协调两个月的故事，安全方向值得看看。
Simular Agent S4：用元智能体自动演化智能体操作界面
Simular 这篇论文挺有意思：让一个元智能体自动给电脑操作智能体造界面和工具，27B 开源模型干赢了 GPT-5.5，成本还便宜几十倍。做智能体的都该看看。
OpenAI 称用 GPT-5.6 Sol 发现的 PHP 漏洞只是冰山一角
GPT-5.6 Sol 挖出一个 PHP 安全漏洞，OpenAI 说后面还有一批待公布，可以关注模型挖洞这条路。
Amazon Bedrock 加拿大区域现可通过跨区域推理调用 OpenAI GPT 模型
在加拿大区域用 Bedrock 的朋友注意了，现在能直接调 GPT-5.6 到 GPT-6.1 这些模型，文章把权限配置和三种 API 调用方法都写清楚了。
Agent S4 通过自主进化界面设计刷新开源计算机操作智能体纪录
Simular AI 的 Agent S4 自己学着给智能体设计操作界面，用 Qwen3.8-27B 在 OSWorld V2 上跑赢了 GPT-5.5 和 Claude Opus 4.8，成本还只有零头。
OpenAI 发布 GPT-6 系列：COBOL 迁移准确率最高达 97.9%
OpenAI 把 GPT-6 系列专门训练到能搞定 COBOL 这种老古董语言了，迁移银行系统代码准确率 97.9%，维护老系统的团队可以看看。
Meta 论文 ProPerMem：主动式 AI 助手卡在'何时开口'而非'说什么'
Meta 拿 AI 眼镜场景做了个新基准，GPT-5.3-Chat 有答案也才 38 分，问题出在自己挑时机说话上，方法部分挺有参考价值。
OpenAI称GPT-6大幅提升COBOL、Fortran等冷门编程语言能力
GPT-6在COBOL这种老语言上通过率从38%干到87.4%，银行搞系统迁移的朋友可以关注GPT-6.1 Sol。
10月20日
Kaggle 联合 RunRehearsals 发布 Human Behavior Bench 人类行为预测基准
Kaggle 出了个测 AI 预测人类行为的新基准，1,244 个真人做底，Engram 1.0 比 Gemini 4 还准，榜单挺有意思。
AIPOCH 开源 Open-Science：给科研 AI 工作流加上可溯源记录
科研党可以看看这个：开源的 Open-Science 把编程智能体接上 AlphaFold2、PubChem 这些工具，每个结果都能溯源重放，再也不怕问'这图怎么来的'。
HarnessPro：用帕累托优化让 Agent Harness 自我进化，性能与成本兼顾
一篇讲怎么让 Agent 框架自动进化的论文，产出的 harness 比之前的 RHO 又快又便宜，代码已开源可以直接看。
研究：工具输出改为检索后 GPT 模型准确率下降最多 11.3 分
PHREEQC 模拟结果固定不变，只是让 GPT-5.2 按需检索报告就掉 9.4 分，原因是它改用自己的输出文件瞎舍入。Claude 系列反而没受影响，做 agent 上下文管理的值得对比看看。
用 2022 EU Loneliness Survey 检验 LLM 能否复现孤独感年龄差异
拿四个 LLM 模拟欧洲四国调查，看谁能复现真实的年龄差距，结果三个模型翻车，适合做问卷模拟的人看看。
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%。