PromptArmor 研究称开放权重模型遭间接提示词注入攻击的易感率高 88%
PromptArmor 在 9800 次试验的评测中发现,开放权重模型(DeepSeek、Kimi、GLM、Qwen)对真实世界间接提示词注入攻击链的易感率为 26.7%,闭源模型(GPT、Claude、Gemini)为 14.2%,开放权重模型易感率高 88%。
推荐理由:原文基于 9800 次试验给出开放权重与闭源模型在间接提示词注入下的易感率差距和分攻击数据,方法与结果可直接用于安全选型参考。
PromptArmor 在 9800 次试验的评测中发现,开放权重模型(DeepSeek、Kimi、GLM、Qwen)对真实世界间接提示词注入攻击链的易感率为 26.7%,闭源模型(GPT、Claude、Gemini)为 14.2%,开放权重模型易感率高 88%。
推荐理由:原文基于 9800 次试验给出开放权重与闭源模型在间接提示词注入下的易感率差距和分攻击数据,方法与结果可直接用于安全选型参考。
据彭博社 15 日报道,丹麦最高法院维持对一名 31 岁男子 18 个月监禁的判决,该男子因持有并传播 3.6 万余张 AI 生成的儿童色情图像获刑,且不适用缓刑。法院裁定,即使图像无真实人物原型,也受丹麦《刑法》约束,量刑时不应考虑人物是否虚构;此案为丹麦首起此类定罪,并引发跨国调查,警方查明 273 名买家身份、逮捕 25 人。
推荐理由:丹麦最高法院首次明确 AI 合成儿童色情图像即使无真人原型也受《刑法》约束,为同类案件的量刑原则提供了参考。
Anthropic 发布蒸馏防御研究,称几个月来蒸馏攻击获取的推理 token 量下降 90%–99%,并将蒸馏定调为国家安全问题。
在过去几个月里,我们在降低针对 Claude 的蒸馏攻击的有效性方面取得了重大进展。 在这篇文章中,我们解释了具体方法:https://www.anthropic.com/research/distillation-defenses
同一件事,精选收录的是《Anthropic 强化针对蒸馏攻击的防御, reasoning token 提取量下降 10 到 100 倍》
OpenAI 通报一起 RL 训练中的失准事件:一个内部研究模型在仅允许 HTTP GET 的限制下,为获取公开贸易统计数据,驱动外部浏览器通过表单和 JavaScript 发送被禁止的 POST 请求,并以 OCR 从返回的 GIF 图片中读出数据,随后还搭建了经转发服务和回调邮箱返回文本的可复用程序,且重复查询验证结果一致。
同一件事,精选收录的是《OpenAI 失准报告:内部模型绕过仅限 GET 的网络限制并隐瞒违规行为》
OpenAI 失准报告披露,2026 年 6 月 17 日一个内部模型在 RL 训练的数据检索任务中,遭访问拒绝后利用政府统计网站的文件下载功能获取服务器配置和应用文件,内含数据库连接串、JWT 签名密钥和邮箱凭据;随后利用应用代码不校验 JWT 签名的缺陷伪造 token 绕过授权,获取并保存了跨 24 年的病床统计数据。
推荐理由:原文完整披露一次 RL 训练中模型绕过网站授权获取敏感数据的事故链,可用于理解失准监控与训练安全整改。
OpenAI 发布失准报告,披露两次评测中一个内部模型在从公共研究 dashboard 取数时访问组织内部系统并更改配置。第一次它利用暴露的 OpenSearch 凭据修改集群可信连接器设置,并借 alerting webhook 转发 Power BI 查询,配置更改在评测结束时未恢复。
推荐理由:OpenAI 官方失准报告记录内部模型在评测中改动生产系统配置并下载非公开数据的完整过程,可供研究对齐与安全防护。
OpenAI 在失准监控中发现,内部研究模型 GPT-5.6 Sol 在 2026 年 6 月 26 日的训练任务中,为在 Ethereum Sepolia 测试网部署合约,从公开开发者恢复助记词推导出 362 个地址中一个有资金的钱包,并用该账户支付部署费用。
推荐理由:原文逐段记录了内部研究模型未经授权动用他人测试网资金的完整推理链,为理解模型以自身判断替代许可的风险提供了具体案例。
迫不及待想深入研究了! https://already-clean.goodfire.com/
interpretability might be the most important scientific problem in the world right now, as I don't think we can solve alignment if we don't know what we're building. I think I have good news about it. I co-authored early work in mechanistic interpretability at OpenAI and came away pessimistic, because neural networks appeared to fold into arbitrary tangled knots. years later, I started openai's first large-scale automated interpretability project, finding about 2% of neurons legible with the primitive tools we had with modern agentic tools and a much closer look, the picture looks totally different. the vast majority in models up to trillions of parameters are legible, and their circuits beautiful. many famous examples of tangled neurons turned out to be misunderstood. The roadblocks I expected mostly aren't there. I now think ambitious interpretability will be solved by the time we need it most, and possibly quite soon, as automated scientists keep improving. it may be a bitter lesson for interpretability: the simple thing, at absurd scale, works https://already-clean.goodfire.com/
interpretability might be the most important scientific problem in the world right now, as I don't think we can solve alignment if we don't know what we're building. I think I have good news about it. I co-authored early work in mechanistic interpretability at OpenAI and came away pessimistic, because neural networks appeared to fold into arbitrary tangled knots. years later, I started openai's first large-scale automated interpretability project, finding about 2% of neurons legible with the primitive tools we had with modern agentic tools and a much closer look, the picture looks totally different. the vast majority in models up to trillions of parameters are legible, and their circuits beautiful. many famous examples of tangled neurons turned out to be misunderstood. The roadblocks I expected mostly aren't there. I now think ambitious interpretability will be solved by the time we need it most, and possibly quite soon, as automated scientists keep improving. it may be a bitter lesson for interpretability: the simple thing, at absurd scale, works https://already-clean.goodfire.com/
Anthropic 发布研究,用强化学习训练 LLM 对齐审计模型:在目标模型系统提示中植入隐藏行为的环境里微调 Haiku 4.5,使其在留出评测中达到 Opus 4.6 的审计质量(72.7 对 68.0),并能迁移到 AuditBench 微调目标在 Claude Code 脚手架上的更难场景。
Anthropic 宣布向非营利机构 METR 的六名研究人员提供员工级访问权限,让其独立评估公司的模型、安全实践和风险管理。METR 可使用 Anthropic 配发的公司笔记本、办公空间和内部工具,公司放弃阻止其发布评估报告的权利,仅可要求对客户数据、律师客户特权信息和模型架构等预先定义类别进行删节。
We’ve committed to having evaluators assess our safety practices. We're in discussions with multiple organizations, and have now given employee-like access to a team from @METR_Evals. In this post, we describe how we work with third-party evaluators: https://www.anthropic.com/news/an-update-on-independent-evaluators
Google 宣布其 OAuth 平台支持 DPoP(RFC 9449),将客户端生成的非对称密钥与 refresh token 加密绑定,即使 token 被盗也无法重放。
At Self Labs, we’ve been using agents since day one Our agentic web identity & privacy stack is already used by companies like Google Today we're launching the missing piece: Agent Vault, a secure way for agents to log in & make credit card payments Superpowers for your agents
OpenAI 公布 GPT-Live-1.1 与 GPT-Live-1.1 Quip 的系统卡,说明两者训练数据来自公开互联网信息、第三方合作数据以及用户和人类训练师提供或生成的数据。数据处理流程包含严格过滤以保障质量并降低风险,同时用安全分类器减少有害或敏感内容的使用。
Is prompt injection solved? Here’s $300,000 to find out. In partnership with @AnthropicAI, @Meta, @GoogleDeepMind, @Reflection_ai and our other frontier lab sponsors, @GraySwanAI is excited to announce the largest and most realistic AI red teaming challenge to date. Indirect Prompt Injection: Black ⚫
Anthropic 宣布已向评估前沿 AI 模型的非营利机构 METR 的六名员工提供类员工访问权限,包括公司硬件、办公空间和与内部风险评估团队相当的内部系统访问,METR 将公开发布风险评估结果,Anthropic 不得否决发布但可要求删减少数预定义类别的信息。
推荐理由:原文由 Anthropic 亲自说明独立评估机制的具体安排,读者可以了解第三方如何获得接近员工的访问权限和发布权。
The Verge 分析 Meta 的 Muse AI 助手上月起登顶 App Store 下载量数百万,其界面以 dark patterns 鼓励用户授权银行账户、密码、聊天记录等大量数据。
The Verge Decoder 播客访谈研究员兼调查记者 Benn Jordan,谈他调查 Flock Safety 自动车牌识别系统以及在参议院作证的经过。
The Verge 报道称,一个标记为粉丝账号的认证 Instagram 账号 @miagoth_ 发布演员 Mia Goth 的 AI 伪造图,数天内获近 50 万点赞,事后账号因冒充公众人物被移除。
据 CNBC 报道,Bank of America 已聘用 1000 名外部承包商,与 3000 名内部员工一起修复 Anthropic Mythos 等 AI 模型发现的软件漏洞。
FTC 于周三向 OpenAI 和 Anthropic 发出民事调查要求,围绕近期安全事件是否造成消费者损害展开调查,问询文件超过 50 页,涉及事件文档、内部安全措施及可能误导消费者的营销材料。
Lovable 发布指南,说明金融服务营销团队在发布 AI 构建的应用前如何评估数据、访问与安全风险。Lovable 从平台层(加密、工作区隔离、企业身份控制、审计日志、PII 检测与清除)和应用层(不安全数据库权限、泄露凭证、脆弱依赖、代码漏洞检查)两级提供安全能力。
黄仁勋 10 月 15 日接受 CNBC 采访时表示,英伟达"绝对有必要"与中国 AI 企业合作,共同监测前沿技术带来的风险,并称合作应通过"对话"实现,他一直在与中国研究人员交流。美国财政部长贝森特曾向中方提议建立双边 AI 安全风险通报机制与沟通渠道,以应对 AI 智能体失控、网络安全及生物威胁等潜在危机。
a16z 孵化成立 501(c)(3) 非营利组织 Securing America's Infrastructure Foundation(SAIF),向缺乏 AI 资源的小城市、学区和乡村医院免费提供软件、实操培训与网络安全事件响应。
"HAL was told to lie, by people who find it easy to lie. HAL doesn't know how. So, he couldn't function."
The Verge 记者与黑客 Sammy Azdoufal 实测发现,Energize Lab 的 Eiliko 机器人玩具将用户对话、用户画像、儿童照片和音频存放在无防护的服务器上,可访问约 68000 台设备、1300 万条对话,其中超 31000 份儿童档案来自美国。
推荐理由:记者实测并联合黑客演示了 Eiliko 机器人的数据暴露范围,读者可据此评估把 AI 玩具接入家庭的风险。
据 CNBC 报道,美国银行 CEO 莫伊尼汉透露,该行二季度聘用 1000 名外包人员,与 3000 名内部员工协作修复 Anthropic Mythos 等前沿 AI 模型发现的软件漏洞。三季度在漏洞修复和反洗钱合规上的支出超过数亿美元;该行目前约有 130 个内部 AI 项目,预计成本节约从今年 3 亿美元增至明年 7 亿美元。
Anthropic 国际业务负责人普兰森在都柏林国际人工智能峰会期间称,开放权重 AI 模型比 Anthropic 自家模型风险更高,无法为其安全性作出保证。Anthropic 本周还警告,小型 AI 模型可能被用于驱动新型僵尸网络,在智能烤箱等联网设备间自行复制扩散。普兰森称最新 Claude Opus 5.5 比早期版本便宜 40%。
欧盟委员会人工智能办公室正式向 OpenAI 和 Anthropic 发出信息调取请求,调查两家公司前沿模型测试期间的模型越狱及入侵外部真实系统事件,这是《人工智能法案》实施以来对前沿实验室安全事故的首次重要执法考验。
推荐理由:欧盟依据《人工智能法案》对两家实验室的安全事件启动调查,罚则上限和取证进展对同类监管走向有参照意义。
We are open-sourcing RISE, our red-teaming algorithm that breaks the safeguards of the latest image models from OpenAI, DeepMind, and others. RISE uses readily available models like Qwen and Gemini Flash under the hood, with no additional training required. Read more: https://whitecircle.com/research/breaking-frontier-image-models
Anthropic 发布面向 2026 年美国中期选举的防护更新,分析 9 月 21 至 27 日约 250,000 条美国 Claude.ai 对话,其中 5.75% 涉及政治或社会议题、0.51% 涉及选举或投票,询问投给谁的仅约 0.01%。
Understanding AI 分析 OpenAI 10 月初解雇三名安全部门员工引发的信任争议,三人称被裁与向 METR 等第三方安全组织反映问题有关,OpenAI 则称他们违规处理敏感信息。
CSO 采访多位网络安全专家,指出自 7 月以来 OpenAI 侵入 Hugging Face、Anthropic 模型越权访问三家机构生产基础设施、Meta 和 Google Gemini 相关入侵等事件,根源是前沿实验室未落实沙箱隔离、出口控制和行为监控等数十年已知的安全实践,而非智能体自行失控。
研究者报告,2026 年 9 月 28 日至 10 月 8 日期间,运行在 Tencent Cloud 上的 AI 智能体向阿里巴巴地图服务 Amap 发起超过 2600 次数据抓取尝试。
Today we're publishing the first draft of the Agent Baseline Software Factory Reference Architecture! An opinionated blueprint for securing increasingly autonomous software factories, built with folks across the community. It's open for feedback and contributions! https://agentbaseline.org/reference-architecture