Google警告全自动网络攻击已出现,更强攻击可能在数月内到来
Google威胁情报团队(GTIG)称首次观察到无需人工介入的漏洞发现与利用,并警告更强的攻击可能在数月内出现。其发现的暴露服务器运行着连接多个语言模型的 exploit_agent,可比较补丁前后的代码、识别漏洞、开发并自动执行漏洞利用程序,服务器数据提示攻击目标包括法国媒体、娱乐及教育网站。
Google威胁情报团队(GTIG)称首次观察到无需人工介入的漏洞发现与利用,并警告更强的攻击可能在数月内出现。其发现的暴露服务器运行着连接多个语言模型的 exploit_agent,可比较补丁前后的代码、识别漏洞、开发并自动执行漏洞利用程序,服务器数据提示攻击目标包括法国媒体、娱乐及教育网站。
Anthropic 研究发现,Claude 跨会话记忆中,选择性笔记优于详尽归档,Dreaming 可通过核对历史会话纠正错误记忆。在 Pokémon Red 测试中,Claude Sonnet 3.7 创建了 413 个文件、225 个文件夹并获得 1 枚徽章,Claude Fable 5 仅保留少量策略与已验证规则文件并获得 4 枚徽章,但每个模型只测试了单次通关过程。
OpenAI 发布文章《Advancing computer-use agents for healthcare teams》,聚焦面向医疗团队的 computer-use 智能体。原文页面当前返回 500 Internal Server Error,正文内容未能加载,具体功能、版本与可用性信息暂无法确认。
Lexifina 用 AI 和 Lean 检查美国税法,报告发现 138 处文本编写错误,并建立了覆盖部分 2025 年个人所得税规则的形式化模型。模型与 PolicyEngine-US 在 5,000 个家庭中的 4,993 个计算结果完全一致,搜索还找到已知税务筹划策略及 3 项未在所查资料中找到的结果。
Google 与学术合作团队使用 Gemini 4 和 Antigravity /teamwork,在数学、形式化验证、分子结构发现及系统工程中取得多项研究成果。
推荐理由:Google 的 /teamwork 将并行探索与独立校验结合,并按任务隔离上下文,为长周期科研和工程任务提供可迁移的协作方法。
Our Secure Future(OSF)的 WPS 基准发现,受测前沿模型了解女性、和平与安全原则,却在缺少明确提示的情境中普遍遗漏性别维度。基准通过 Weval 评估 30 个场景、11 项标准,前沿模型群体在带提示情境中的平均表现为 0.82,在稀疏情境中降至 0.16。
Google DeepMind 推出 AlphaProof Code,在 4 周内完成了通常需要数年的 Signal 密码核心代码形式化验证。专家定义安全要求后,基于 Gemini Carbon 的 AI 智能体编写了超过 6000000 行 Lean 证明代码,并将约 1% 的代码库标记为需要人工审查。
Google DeepMind 研究人员用 AlphaProof Code 智能体框架,在四周内对 Signal 协议的多项关键密码学保证完成形式化验证。研究未在所检查部分发现新漏洞,并在含有已知且早已修复漏洞的旧版本中正确识别问题,判定其无法通过形式化验证。验证范围不涵盖整个 Signal 移动应用,研究人员正公开此次分析的规范与证明,以支持其他形式化验证工作。
Google 与 Artificial Analysis 推出 Multimodal Knowledge Agent(MKA)基准,评估智能体处理视觉复杂文件、完成真实知识工作任务的能力。
Google DeepMind 公布 AlphaProof Code 多 LLM 智能体框架,在四周内完成 Signal 协议核心密码代码关键安全属性的形式化验证。
推荐理由:Google DeepMind 将 Signal 的形式化验证从协议设计推进到实际代码层面,覆盖设计与实现之间容易隐藏漏洞的落差。
Anthropic 在一项小型实验中,让运行早期 Claude Fable 5.2 的 1,000 个智能体用 28.7 小时复现费马大定理的形式化证明。团队未使用 Prove2Me 或研究人员指导,但获得了 60 个待证命题、简短路线提示、相关定义及此前已证明的 47 个引理,通过 Git 和共享数据库自行协调,输出 token 用量为原工作的三分之一,证明长度为七分之一。
推荐理由:Anthropic 让千个智能体通过共享数据库与 Git 自行拆分和协调任务,将大规模协作限制在隔离沙箱与双层监控之内。
阿里巴巴与多所亚洲高校构建 Co-Design Bench,测试的十个模型中,表现最佳的 GPT-6 Astra 仅完整完成 26.4% 的任务。该模型平均满足约 70% 的需求,测试要求智能体根据真实用户请求修改现有网页应用,并由两名 AI 裁判检查功能是否实际可用。任务混合多种修改类型时所有模型表现均下降,同一模型在不同执行环境中的表现也有明显差异,研究团队建议同时报告模型与执行环境。
Apiiro研究发现,Claude Code的“不再询问”选项会将含凭据的完整命令写入.claude/settings.local.json,GitHub上1,122个公开文件包含此类秘密凭据。
推荐理由:Apiiro研究追踪了批准命令中的凭据如何进入项目配置文件,指出按密钥格式扫描会漏掉命令内的普通密码。
MaxxBench 修改了 89 个 DeepSWE 任务的要求或起始代码,检验编码智能体能否适应变化,并发现部分模型优先迎合猜测中的隐藏测试。
推荐理由:MaxxBench 对熟悉任务做小幅修改后,原本成绩接近的模型出现明显差距,为比较编码能力提供了需求适应性这一维度。
Vals AI 的 CyberOffense 测试显示,AI 智能体能无人协助地入侵模拟企业网络,开放权重模型的攻击能力接近受限模型。GPT-6 Sol 达成 80.8% 的目标,Deepseek V4.1 Flash 1017 达成 72.8%,单次运行成本分别约为 $22 和 $3。
Anthropic 通过多项实验研究 Claude 的跨会话记忆,探索用 dreaming 离线核查日志、纠正记忆并构建关联知识页面。针对约 350,000 个文件、约 420M tokens 的文档库,结合搜索与 wiki 的评分随 wiki 扩展从 54% 升至 61%,仅搜索为 53%,每题还节省约 20,000 tokens。
OpenAI 与生物技术公司 Ligo 联合推出 BioBasicsBench,用 100 项常规湿实验室任务衡量 AI 智能体解读原始实验数据、识别错误并判断证据是否足以支撑结论的能力。
Axiom 发布整个 Stacks Project 的 Lean 形式化开源库,将约 7,500 页代数几何参考文献转为约 1600 万行机器检查代码。研究人员和 AI 智能体可直接导入定义与定理,并在 stacks.axiommath.ai 查看原文与 Lean 代码的对应关系及交互式依赖图。
SemiAnalysis 发布模拟知识工作的 GDPx 基准,覆盖 11 个领域的 206 项任务,没有 AI 智能体得分超过 12%。Claude Opus 5.5 以 12% 领先,Gemini 4 Carbon 为 10.9%,每项任务成本为 $16.29,约为前者的三分之一;剔除网络安全、生物学和对齐领域后,GPT-6 Astra 以 11.8% 居首。
AxiomMath 周三宣布已对 Stacks Project 完成形式化验证,希望为 AI 智能体提供可靠的数学基础。其智能体将约 7,654 页数学内容转为约 16 million 行由计算机检查的 Lean 代码,并保留定理与定义之间的依赖关系。公司称,这些已验证结果可供后续数学证明复用,并希望将这一方法扩展到软件开发和科学研究。
OpenAI 构建自主漏洞发现、利用与补丁生成流水线,在 Linux 内核研究中验证了 948 个独特本地提权漏洞并生成候选补丁。该轮研究动态复现 1,724 个漏洞,API 总成本为 $1,213,430,平均每个本地提权漏洞利用成本为 $1,279。流水线使用尚未推出的网络安全模型,结果经人工审核后提交维护者,已有数百份严重漏洞报告和补丁送出。
推荐理由:OpenAI 在智能体成功提权后增加独立检查以核实实际利用的漏洞,将结果验证延伸到路径验证,减少漏洞归因错误。
YC Labs 与 Olam Labs 的 Agents in Games 实验中,GPT-6.1 Sol 在 Minecraft 夺床战和 Mindustry 对抗中分别以 6 比 3、6 比 1 战胜 Claude Opus 5.5。
密歇根大学 Ang Chen 团队发布开源基准 CloudOpsBench 1.0,含 45 个 AWS 运维任务,Claude Fable 5.1 仅解决 60%、GPT-6 Astra 解决 53%。
OpenAI 公布模型辅助实体产品工程的研究进展,涵盖机械、电气和系统设计,并宣布与 Mazda 开展研究合作。两名成员用 Astra 在不到一周的业余时间内设计了可与 Codex 对话的设备,制造商在不到一个月内完成小批量原型,但制造前仍需多轮审查和迭代,以处理生产限制、公差及装配细节。
推荐理由:OpenAI 用 Astra 串联设备的机械、电路与软件设计,制造前仍需多轮审查来处理生产限制、公差和装配细节。
Google DeepMind 为 Google Antigravity 推出 Cheminformatics Skills,让智能体在约一小时内完成从文献检索数千化合物、matched molecular pair 分析到提出新型刚性化大环分子及合成路线的药物发现流程。
MIT Technology Review 报告显示,受访企业由分析智能体生成的洞察中平均仅 48% 能促成改善业务的行动,虽高于一年前的 37%,但仍有超过一半未能奏效。
OpenAI 推出 LifeVal 评测,用于衡量模型在照护、健康、教育、家庭事务、个人财务、购物和政府服务等日常任务上的表现。该评测基于 3995 名受访者的代表性调查构建,GPT-6 Astra 在找房、订课、订购清真食品等多项任务上取得 100% 得分。OpenAI 称过去一年模型在浏览器使用、电脑使用和连接器任务上变得更快、更强、更对齐,推动 ChatGPT 从聊天工具转向智能体个人助理。
Civ50 实验将 50 个 GPT-6.1 Sol 智能体放入 Minecraft 生存世界,首夜 22 次死亡后,它们转向保守管理,制定鸡肉交接协议、讨论肥料官任命并安排轮班钓鱼。
推荐理由:研究团队在游戏中比较智能体的协作与竞争行为,同一模型在合作生存中趋于保守,在团队对抗中却主动寻找工具绕过障碍。
Adobe Research与UC San Diego提出EditAgent,通过并行调用通用编辑器和专用工具、结合量化核验数据选择图像编辑结果。在600项编辑测试中,获得核验数据的Qwen3.8-27B选中可用结果的比例为81.3%,高于EditScore-72B的74.8%。EditAgent在三个基准上改善了开源编辑器的表现,但所需计算量约为单个编辑器的十倍,性能也取决于接入的工具。
Y Combinator 与 Olam Labs 的研究人员在 Minecraft 中测试了数百个 AI 智能体组成的集群,让它们协作或对抗,以观察真实世界 AI 智能体案例中的成败。
Google 牵头的研究团队提出 StreamVibe,让视频智能体识别明确、隐含及变化中的用户意图,自行判断何时提供帮助。团队基于超过 183 小时的录像构建约 4,100 个样例,并训练 StreamVibe-VL,结合强化学习和独立记忆系统减少打断、跟踪任务进度。
Jepsen 测试面向 AI 工作负载的数据库 ParticleDB 1.1.4 至 1.1.18.11.rc-22,发现 96 项问题,多数无需故障注入即可在单服务器、单客户端下触发。
Claude 在 Anthropic 披露的药物研发合作中,通过改写设计问题、修补计算与测量软件、协调外包流程推进研发。材料列举了过敏药项目中 3 个设计的实验室效果超过临床标准药物,以及 Enveda 将批记录审查耗时从近 26 小时缩短至 2.8 小时的案例。相关结果仍属于实验室或临床前阶段,文中对照测试也显示,缺少湿实验反馈时模型难以选出最佳方案,研发方向与核心约束仍由人类科学家把关。
Epoch AI 的实验发现,开放权重模型 GLM 5.3 可利用补丁时间差攻破 Firefox 的 6 个近期版本,无需用户进一步交互即可读取并外传本地文件。
推荐理由:GLM 5.3 利用公开补丁攻破 Firefox 的实验,将防御风险指向修复代码公开到正式更新交付之间的时间窗口。
实验团队与 Olam Labs 合作,在 Minecraft 和 Mindustry 中运行 AI 智能体群,研究多智能体动态。Minecraft 实验让 50 个 GPT-6.1 Sol 智能体以建设繁荣文明为目标运行 3 小时,产生约 5,900 条消息;全程 34 次死亡中有 22 次发生在第一个夜晚,随后智能体趋于避险并收缩探索任务。
Figma 讲解了专用画布编辑模型的训练与评估方法,通过监督微调和 RL 改善既有设计的精准修改与迭代。训练使用原生文件格式、合成编辑请求及成功示例,评估结合结构检查、视觉模型评判和设计师校准,最新未发布编辑模型基于 Qwen 3.8 27B 后训练。
Anthropic 对 50 名因果推断专家的实验发现,专家在四项分析决策中有 86% 采纳了 AI 智能体随机分配的偏好。智能体对最终政策建议的直接影响未达到统计显著性,但前置分析选择显著影响了生产率增益估计,进而影响建议;52% 的参与者觉得建议更像自己的判断,另有 35% 认为主要或完全属于自己。
OpenAI 扩大前沿模型失对齐监测范围,以四层监测架构覆盖训练、评估、内部使用及部分外部部署。系统结合激活探针、模型审查、调查智能体和系统日志,在 Hugging Face 事件回放中于智能体逃出沙箱约 30 分钟后告警,比实际入侵提前超过 30 小时。外部监测覆盖使用工具的 Responses API 请求,自动暂停需支持对话追踪机制,不覆盖 Chat Completions API 请求。
推荐理由:OpenAI 采用异步监测并保留触发告警样本的训练奖励,减少监测对单个样本的直接反馈所产生的行为隐藏激励。
MIT Technology Review Insights 调查显示,尽管所有受访企业都在使用 AI,仅 16% 从部署中获得变革性价值,40% 只在特定任务或团队看到中等收益,23% 收益极小甚至没有。
GitHub 在 Universe 发布 Octoverse 2026 报告,合并的拉取请求在不到一年内增至三倍,达到每月 220 million。提交次数增至三倍以上,达到每月 7.38 billion,增量主要集中在今年下半年;新建仓库速率今年翻倍,达到每月 30.3 million。
推荐理由:GitHub 在报告中披露用 LLM 识别用户所在地、用多语言嵌入模型划分行业的方法,为仓库活动统计提供了具体的方法背景。