Vals AI 评测显示开源与闭源模型网络攻击能力差距持续缩小
Vals AI 的 CyberOffense 评测显示,开放权重模型的网络攻击能力正快速接近受限闭源模型。GPT-6 Sol Daybreak 在 Nova 测试中完成 80.8% 的目标,Deepseek V4.1 Flash 1017 完成 72.8%,后者每次运行约 $3;多数开放模型在超过 100M tokens 后才取得实质进展,短时测试会低估其能力。
Vals AI 的 CyberOffense 评测显示,开放权重模型的网络攻击能力正快速接近受限闭源模型。GPT-6 Sol Daybreak 在 Nova 测试中完成 80.8% 的目标,Deepseek V4.1 Flash 1017 完成 72.8%,后者每次运行约 $3;多数开放模型在超过 100M tokens 后才取得实质进展,短时测试会低估其能力。
SemiAnalysis 发布 GDPx 真实工作基准,Claude Opus 5.5 以 12% 位居榜首,没有模型超过 12%。该基准包含 206 个任务,覆盖芯片设计、生物、量化交易、网络安全和法律等 11 个领域;Gemini 4 Carbon 得分 10.9%,每任务成本约 $16.29。研究还指出,安全过滤会影响排名,且封闭任务、模型自动评分和工具差异使结果难以充分核验。
Anthropic 发布开源研究原型 FlashProve,利用 zkSNARK 证明回答由指定模型生成,同时不暴露模型权重。
专家呼吁企业、监管机构和标准组织共同补齐 AI 智能体的实时可观测性缺口,以掌握其行动、决策过程与人工干预情况。对四种主流智能体框架的研究发现,持续身份标识、人类审批记录等关键记录缺失,妨碍识别越权行为和监督失效;OpenTelemetry 正在起草智能体追踪格式,但相关标准尚未定稿。
RAND 发布美国面向超级智能不确定路径的战略报告,主张以“行动自由”策略保留选项,构建人机生态、AI 安全架构并提升社会应对能力。报告比较七类战略与五项不确定性;研究人员还在实验小鼠脑内培育类人脑组织,探索其作为潜在实验体的用途。本期还涉及机器释义学。