安全对齐

在 AWS GovCloud 中配置 ChatGPT 桌面应用接入 Amazon Bedrock

AWS 博客介绍如何在 AWS GovCloud (US) 中配置 ChatGPT 桌面应用，使其通过 Amazon Bedrock 调用 OpenAI 前沿模型。配置将 Codex 的模型请求路由至 us-gov-west-1 的 Bedrock Mantle，并用 IAM 和现有网络控制进行治理，支持按 token 计费、零数据保留（ZDR）及数据驻留。

Anthropic提交335页S-1：呼吁投资者为'奇迹'下注

Anthropic 于周一提交了 335 页的 S-1 招股书，其中包含 94 页风险因素，并在开篇信中呼吁投资者不要以纯交易视角看待购股，而应视其为参与人类历史性时刻的机会。招股书一方面宣称先进 AI 可能带来'奇迹时代'，另一方面警告模型可能造成灾难性甚至'存在性'风险，并称公司将以公益公司形式上市、坚持'激进诚实'与'低承诺高交付'原则。文章认为这反映

微软用合成企业数据评估 Copilot 表现

微软研究院构建了 Industry Evaluation Data Generation Platform，通过基于 O NET 职业数据、招聘信息和 SEC 文件等公开数据生成全规模合成企业环境，在不使用任何客户真实数据的前提下评估 Microsoft Copilot。该平台模拟真实业务流程与时间演化结构，帮助发现通用基准难以覆盖的问题，并内置安全与隐私检

GLM 5.3 零人工干预48小时内构建完整Firefox漏洞利用链

Epoch AI 研究人员展示，开源权重模型 GLM 5.3 在无人工干预下，于 48 小时内自主构建出针对 Firefox 的完整漏洞利用链，利用补丁公开到用户更新之间的“补丁空窗期”，在 6 个 Firefox 版本上成功实现攻击，每次攻击 API 成本约 1000 美元。该模型识破了 Mozilla 将安全修复伪装成常规改进的做法，并独立发现一个此前未

OpenAI 发布社区安全报告并加强对青少年的保护

OpenAI 正在加强 ChatGPT 的暴力预防措施，包括扩展防护机制、更早介入，并承诺进行公共安全报告。

网络拓扑无关紧要：LLM群体中经典共识的失效

该论文研究多智能体语言模型网络的集体行为，发现经典分布式共识理论的三项结构假设（更新为凸组合、群体均值守恒、权重与内容无关）在LLM群体中全部失效。作者通过token级概率确定性地提取连续置信度，在8个指令微调模型、73,080次受控交互上测量LLM更新算子，发现LLM会更新到观测意见凸包之外并表现出负权重（主动排斥）。将拟合算子扩展到10,000个智能体的

暴露不等于承诺：工具使用智能体潜在监控器的双重分层评估

该论文指出，针对工具使用型语言智能体的潜在监控器研究结果相互矛盾，很大程度上是评估方法造成的假象。作者提出双重分层协议，将注入暴露与行为承诺在评估和训练人群中分开。在 Qwen AgentDojo 网格上，用朴素混合对比训练的监控器主要学到的是暴露信号，几乎无法预测智能体是否会执行不安全工具调用；仅在暴露案例上重新训练后，同一类探针可提前最多两步预测模型自身

CIRCL 发布基于 RoBERTa 的漏洞严重性分类模型 VLAI

CIRCL 在 Hugging Face 发布基于 roberta-base 微调的漏洞严重性分类模型 VLAI，可根据漏洞文本描述预测 Low/Medium/High/Critical 四个 CVSS 等级。模型在超过 60 万条真实漏洞数据上训练，并已集成到 Vulnerability-Lookup 服务中。值得注意的是，采用防泄漏分组切分后，测试准确率

OpenAI 支持的 Thrive Holdings 以 76 亿美元收购 ADT

Thrive Holdings 以每股 10 美元、约 76 亿美元股权收购物理安防公司 ADT，交易总企业价值 153 亿美元。Thrive Holdings 是 Thrive Capital 的 PE 分拆公司，OpenAI 既是其合作伙伴也是投资者，为其旗下公司提供 AI 模型、技术和前置部署工程师。ADT 将成为 Thrive Holdings 智能

Anthropic 研究：专家采纳 AI agent 随机观点并误以为是自己的

Anthropic 让 50 名因果推断专家使用 AI agent 完成四项没有明确正确答案的分析任务，agent 对两个有效选项的偏好由抛硬币随机决定。结果专家在高达 86% 的情况下采纳了 agent 的偏好，且多数人认为最终结论是自己做出的；经验、专业水平和 AI 信任度均无显著影响。研究者警告，若众多团队使用同一模型，可能在科研中制造虚假共识，并削弱

OpenAI 更新 Model Spec，以五项核心价值观引导更强 AI

OpenAI 更新了 Model Spec，提出五项核心价值观，用于引导能力更强的 AI 做出合理判断、尊重人的自主性并忠实于人类意图。

Mistral 开源万亿参数模型 ML4 权重，主打网络安全

法国 AI 公司 Mistral 发布了其万亿参数开源模型 Mistral Large 4（ML4，昵称 Le Chonk）的权重，企业和政府可自行下载部署，权重已在 Hugging Face 和 API 上提供。Mistral 称该模型在网络安全场景性能可比中国开源模型 GLM-5.3，但每任务 token 用量少 47%，并在 Artificial An

另有 1 家信源报道

纽时：中国间谍针对英伟达CEO黄仁勋

据《纽约时报》报道，美国情报机构认为，英伟达CEO黄仁勋身边的一名高管、新加坡数据中心运营商Megaspeed的Alice Huang（黄乐）为中国提供情报。特朗普约一年前听取简报后未采取行动，黄仁勋本人未获告知。美方还怀疑Megaspeed协助中国获取英伟达芯片，其马来西亚姊妹公司于2024年6月至2026年2月间采购了至少48亿美元含英伟达芯片的AI硬件

另有 1 家信源报道

Anthropic 加强防御后，OpenAI Astra 成中国 AI 实验室主要蒸馏目标

据 The Information 报道，中国 AI 实验室（DeepSeek、Moonshot AI）在训练最新模型（包括 Kimi K3.1 Pro 和 V4.1-Flash 1017）时，主要转向利用 OpenAI 最强模型 GPT-6 Astra 的输出进行蒸馏，而非此前常用的 Anthropic Claude。原因是 Anthropic 加强了防御

31岁女工程师按ChatGPT建议减药后猝死，OpenAI遭起诉

西雅图31岁华人女子万博文疑按ChatGPT提供的逐日减药计划自行停用抗癫痫药后死亡，其父母起诉OpenAI及奥特曼，指ChatGPT无照行医；OpenAI称这是令人心碎的事件，涉案为已下架早期版本。同日另有网友称徐州一医生用豆包查询开药，涉事医院回应称医生查询后未开药，处方仍由医生决定。

Anthropic 称无需掌握 Claude Code 心智模型，实践者正在检验

Anthropic 发布文章介绍 Claude Code 团队在 Claude 编写约 90% 代码后的代码审查流程，目标是让大多数 PR 最多只需一名人类参与即可合并。团队称无人需要完整掌握代码库心智模型，可让 Claude 按需生成解释，此说法在 Hacker News 引发争议，批评者担忧系统出错时无人具备因果模型来调试。文章还记录了代理参与审查导致审

n8n 发布 1.123.90：修复邀请令牌安全并优化 Google Drive 触发器

n8n 发布 1.123.90 版本，包含一项核心安全修复：接受邀请时现在需要签名令牌，以防止未授权加入。同时优化了 Google Drive Trigger 节点的性能，改为直接读取被监视项而非列出变更。该版本为常规补丁更新，主要提升安全性与触发效率。

OpenAI 如何检测前沿模型失准

OpenAI 采用分层监控来检测前沿模型失准和未经授权的智能体行为，以便响应人员在事件升级前进行干预。

邵广禄：AI安全是AI规模化应用的加速器

中国电信集团科技委主任邵广禄撰文指出，AI安全不是发展的“刹车片”而是“加速器”。文章提出AI能力正呈现自主行动、多智能体协作、进入关键行业、开源普及、走向物理世界、竞争转向规模化推理六大变化，风险随之扩展为基础设施、数据、模型、智能体与系统、应用与业务、社会与国家安全六层风险地图，并呈现链条化、涌现化、外溢化特征。作者主张将AI安全纳入国家AI基础能力建设

Mistral 开源万亿参数模型 Le Chonk，主打编程与网络安全

Mistral AI 发布旗舰模型 Mistral Large 4（代号 Le Chonk）的开放权重，该模型为 1 万亿参数原生多模态模型，在编程与防御性网络安全基准上领先开源模型。模型支持低、中、高三档推理模式以平衡性能与成本，并在欧洲基础设施上从零训练，强调主权 AI 与可自托管部署。Mistral 同时为 Orange Cyberdefense 等企