编辑精选

ShinyHunters 利用 Oracle PeopleSoft 漏洞发起教育行业攻击

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。

Anthropic 搞了个经济追踪器，不玩虚的，直接扒了 81,000 个 Claude 用户数据和 10 万段真实对话。结果发现 AI 确实把任务时间平均砍掉了 80%，并且精确划分了 AI 在不同行业和岗位的真实使用模式。这是把 AI 经济学从玄学变成了实证科学。

Opus 4.8 的核心进步不是跑分更高，而是开始学会说“我不确定”。它会在代码有漏洞时主动指出、方案不靠谱时反驳，这对企业级 Agent 的信任建立是质变。配合动态工作流和努力控制机制，大模型终于开始像一个严谨的同事，而不是那个永远自信满满却总留坑的新人。

Ethan He 分享了从 NVIDIA Cosmos 到 xAI 构建 Grok Imagine 的实战经验，揭开视频模型训练、VAE、推理加速等细节，并探讨世界模型与视频 Agent 的未来方向。