論文證明 AI 模型可加密隱藏任意能力，審計難誘導
一篇 arXiv 論文證明，AI 模型可把加密神經網路嵌入自身權重，只在收到秘密觸發時解密執行，且在密碼學假設下即使拿到全部權重也難以誘導或解讀。作者用 PyTorch 實現概念驗證，在化學反應預測任務（CBRN 相關能力的替代任務）上測試微調、權重加噪、梯度觸發搜尋與潛空間對抗訓練，均未能誘匯出隱藏能力。該文被 NeurIPS 2026 接收，共 22 頁，作者已公開模型以支援防禦研究。
把隱藏物件從固定字串擴充套件到任意計算，並給出密碼學保證與抗誘導實測結果，指出基於誘導的能力審計存在原理性上限，對做模型審計、安全評估與後門檢測的人有直接參考價值。
原標題：AI Models Can Provably Hide Arbitrary Capabilities
閱讀原文
| 評分 | 82 / 78（平均 80，門檻 76） |
|---|---|
| 狀態 | 精選 |
相關報導
納德拉稱應假定所有 AI 模型都已被攻陷
微軟 CEO Satya Nadella 在 X 髮長文表示，應假定所有 AI 模型都已被攻陷，不能再把 AI 當作只需接受或拒絕其建議與動作的巢狀黑箱。他主張建立可隔離、可觀測的透明體系，要求模型留下防篡改、人類可讀的證據，並呼籲及時披露事故、獨立審計與可驗證資料。這些建議多數與業界既有主張一致，但在隔離這一點上他給出了自己的看法。
OpenAI 公布歐盟文字溯源方案，API 可選用文字水印
OpenAI 公布應對歐盟 AI 法案的文字溯源方案：全球 API 客戶即日起可為部分模型選擇開啟文字水印（預設關閉），未來幾週將在歐盟的 ChatGPT 與 Codex 文字輸出中加入不可見水印，檢測器僅向獲批研究者與專家組織開放申請。其自研 textGrain 通過統計訊號標記用詞，在 1% 誤報率下對 200 token 段落檢出約 80%、400 token 約 95%，數學等用詞受限內容明顯更低；
密碼學家 Matthew Green：AI 衝擊下公鑰加密有 15% 機率失去信心
密碼學家 Matthew Green 在 Twitter 上給出機率估計：有 1% 機率我們生活在 Minicrypt，即公鑰加密不可能存在的假想世界，另有 15% 機率會在功能上對現有公鑰加密演算法失去信心。他認為 AI 產出意外發現的速度，與人類替換標準的速度相差幾個數量級，只有提前做好準備才能從這類衝擊中恢復。Minicrypt 出自 Russell Impagliazzo 提出的假想世界。
OpenAI 單日發布 372 項數學成果，含 Unique Games 猜想證明
OpenAI 於 10 月 6 日一次性發布 372 項數學成果，其中包括 Subhash Khot 的 Unique Games 猜想證明，部分結果附有 Lean 證書，但並非全部。截至目前似乎還沒有人類讀懂這些證明，理解它們的競賽才剛剛開始。作者妻子、複雜度理論家 Dana Moshkovitz 長期研究 UGC，她稱論文寫得極差、必須靠 AI 輔助才能閱讀，證明構造出一種全新的遞迴編碼與噪聲測試。
7B 審計模型 AgentForesight 上線，多智慧體任務失敗前預警
羅格斯大學、得州大學奧斯汀分校與普渡大學團隊提出線上審計模型 AgentForesight，用 7B 模型在任務執行中逐步讀取軌跡字首，在關鍵錯誤擴散成失敗前報警。在 AFTraj-2K 測試集上，其關鍵錯誤步驟識別 Exact-F1 達 66.44，比最強通用基線 DeepSeek-V4-Pro 高 19.88 分，成功軌跡誤報率僅 2.37%。