编辑精选

AI应用的黄金时代到来

AI应用的黄金时代，拼的不是模型大小，而是如何用有限的预算榨出最多智能。

Google 揭露了一起针对北美医学和军事机构的长期渗透，黑客利用科研软件 REDCap 的版本兼容漏洞切入，植入能通过软件升级“永生”的恶意软件，最后竟然用企业邮件系统的合规规则来悄悄外传情报。整个过程花了超过一年，手法极其隐蔽。

美国政府以发现一个狭窄越狱漏洞为由，直接下令Anthropic停用已上线的Fable 5和Mythos 5，连内部外籍员工也不能用。Anthropic一边照办，一边公开反驳：这个攻击甚至不如其他模型的日常能力，并质问——如果所有模型都因发现一个非通用漏洞就停发，行业会怎样？

ShinyHunters 利用 Oracle PeopleSoft 零日漏洞对高校发起定向攻击，68% 受害者是教育机构。这篇文章扒光了攻击者的完整操作链：从伪装 Azure 服务的 MeshCentral 到利用 .bash_history 记录窃取的 SSH 爆破脚本。

别再盲目信任 torch.compile 了。这篇通过实际 PyTorch profiler trace 分析，精准指出单层 Linear 下编译器几无作用，而 MLP 中编译器的融合才是真功夫。核心思考方法是：看 trace 前先做预测，任何不匹配都是最有价值的发现。

AI对齐团队发布综述，表明未来AI系统可能突破当前安全假设，需发展更复杂保障措施，工作包括评估、压力测试，并列出近期多项对齐研究如宪法分类器、Bloom等。

当所有公司都在抱怨模型变贵时，头部玩家已经在通过模型路由和后训练两种方式，一边保持 token 指数级增长一边把成本死死压住，甚至能做到效果更好成本只剩十分之一。

测评了主流ASR模型在代码切换场景下的真实表现。发现ElevenLabs Scribe V2和Gemini 3 Flash最扛打、Whisper默认翻译会搞砸语义。最反直觉的是错误更多集中在嵌入的英语片段而非语言切换点。结论很干：服务双语客户前必须用自己的语言对做基准测试。

Anthropic的可解释性团队在系统性地拆解大语言模型的内部机制，从神经元激活到概念表示。自然语言自编码器直接把Claude的思维解码成文本，跨模型对比工具则能定位行为差异的具体电路。这不是玄学，是给AI安全铺硬路。