依意思最接近的 30 筆
Collinear AI 發布 CWE-bench v2，公開 100 個針對真實開源倉庫的漏洞發現與修復任務，覆蓋 91 類 CWE，評分全部程式化、可復現，每道題另經人工複核並驗證能擋住對已知上游補丁的照搬。11 個受測模型中，Gemini 4 Argon 以 67.8% pass@1、81.0% pass@4 居首，Claude Opus 5.5 以 67.3% 緊隨；95 個任務至少被一個模型解出，但領先者仍有約 19% 的任務每次都失敗。
網路安全初創公司 Cathedral 在 Anthropic 漏洞賞金專案的一次測試中，用 AI 代理在不到 12 小時內進入其內部系統，暴露了員工薪資、錄用通知、會議記錄和 Slack 訊息。Anthropic 確認被訪問的是部分銷售、人力和 IT 系統，涉及部分客戶與合作伙伴的業務聯絡方式，但客戶與 Claude 的對話、模型輸出、原始碼與權重未被觸及。Anthropic 稱監控在對方上報前已發現活動並當天關閉訪問，隨後停用相關第三方軟體並通報聯邦官員。
YC W25 孵化的創業公司 Weave 正在招聘機器學習、AI、產品與設計方向的工程師。招聘資訊掛在 Ashby 招聘頁（jobs.ashbyhq.com/workweave），並以招聘帖形式出現在 Hacker News，目前該帖暫無評論與點數。資料未披露職位數量、薪資範圍與工作地點。
SLDBench v2 把「做哪些實驗」也交給 AI，8 個前沿模型需要自主選擇實驗後，成績全部下滑，預測誤差擴大到原來的 1.5 至 4.7 倍。該基準把 30 個任務的真實訓練記錄做成一份標價目錄，AI 按當年實際消耗的算力付費購買結果，再據此預測從未見過的更大規模實驗。表現最好的 Claude Opus 5.5 只花全量成本中位數 4.01%，R² 中位數 0.570，仍超過經典冪律公式用全部資料擬合的 0.455。
Aether AI 與 UC San Diego 提出 RobotAgentBench，用於評測機器人在開放世界家庭場景中的自主能力。基準包含 50 種家庭佈局、90 項原子任務與 4 類開放場景，比較 8 個 VLA、3 個 WAM 與 Codex、Claude Code、Antigravity CLI 等編碼智慧體的組合。獨立 VLA/WAM 的任務發現得分均低於 2，開放場景綜合得分最高僅 2.0；
由 18 家機構組成、2025 年 11 月啟動的 C-BRAIN 聯盟正與 NVIDIA 合作，用 AI 挖掘此前無法訪問的阿爾茨海默研究資料，並開源兩款科研智慧體。其中與勞倫斯伯克利國家實驗室共建的 OpenScientist 能半自主生成假設並完成分析，官方稱原本需數週到數月的工作幾分鐘即可完成，單次成本低於 10 美元；InsightEngine 則用文獻與知識圖譜逐條核對結論以減少幻覺。
Weave（YC W25）開放 12 個全職崗位，全部為 Weave HQ 現場辦公，其中工程類 7 個、銷售類 4 個、營銷類 1 個。工程崗位包括 Founding AI Engineer、Founding ML Engineer、Founding Design Engineer、Founding Product Engineer、Forward Deployed Engineer、Founding Developer Relations 與 Field CTO。
CoreWeave 的債券上週跌入困境區間，股價自週二收盤以來跌超 20%。其債券收益率較國債高出 1000 個基點，Chamath Palihapitiya 點名這筆困境債，並質疑 AI 建設是否已成私人信貸泡沫。市場對其他 AI 公司也似有連帶影響。
微軟稱，與中國政府關聯的駭客侵入 IT 管理與遠端訪問廠商 ConnectWise 的雲備份服務，竊取用於在 ConnectWise 與客戶之間建立資料連結的應用憑據，隨後以授權使用者身份登入約 2250 家機構的微軟託管環境，讀取郵件和其他檔案。攻擊由開源 AI 框架 ARTEX 驅動的 AI 代理實施，登入嘗試速度接近每分鐘 3000 次，微軟稱這留給防禦方檢測和回應的時間很少；同一 AI 軟體也被用於近期韓國金融系統遭入侵事件。
Anthropic 前沿紅隊部落格發布研究：與 Theorem Labs 合作，用 Claude 在數週內為一百多個真實開源庫證明安全屬性。形式化驗證過去只能用於小規模程式碼庫或需大量專家時間，AI 模型正讓大規模驗證變得可行。完整研究已在其部落格發布。
復旦大學、騰訊混元與清華大學聯合發布 ExplorationBench，用兩套規則被改寫的「異星世界」AlienCode 和 AlienLogic，評測 AI 能否通過自主實驗發現規則。10 個前沿系統讀完範例後，在 AlienCode 上最高僅 15.7%，四輪探索後最好軌跡達 89.0%；若只讓模型多想、不給環境反饋，最高只有 11.0%。GPT-5.6 Sol 自主探索拿到 88.1%，而事先直接告知全部規則反而只有 69.5%，說明探索過程同時提升了規則的使用能力。
xAI 於 2026 年 10 月 20 日在官網新聞頁發布了一篇題為 incident-sweep 的公告。該帖僅給出全文連結 x.ai/news/incident-sweep，未在正文中說明事件性質、影響範圍或處理進展。具體內容需要開啟原文檢視。
Uber 首席資訊安全官 Philip Martin 提出，企業應為 AI agent 建立類似員工內部威脅計劃的監控機制。Uber 已開源 AI Detection and Response（ADR），用於採集 agent 執行時的即時遙測並在越界時即時干預，同時把 Anthropic 的 Enterprise Frontier Safeguards 作為資料來源接入其整體檢測體系。
Artificial Analysis 將模型智慧指數升級到 v5.0，評測集換成 9 項新基準。Knowledge Work、Coding、Science、General 四類各佔 25%，單項權重最高為 15%，分別是 AA-Briefcase v1.1、FrontierCode 2.0、Terminal-Bench-Science 0.1 和 AA-Omniscience v1.1；
XBOW 用 AI agent 在六天內做出完整的 Chrome 全鏈漏洞利用，拿下 Google 首個 25 萬美元 Chrome full-chain 獎勵。鏈條串起三個漏洞：V8 Maglev 去最佳化時複用可變 HeapNumber、動畫 WebP 解碼器快取幾何與影像位元組不一致、Crashpad 把凍結渲染程序的讀取失敗當作穩定觀測，依次實現 V8 指標壓縮籠內讀寫、籠外一次原生寫和崩潰處理器內的程式碼執行。
無問芯穹的 GPU 運算元最佳化 Agent 框架在 NVIDIA Research 的 SOL-ExecBench 上登頂 L1 基礎運算元、L2 融合運算元、Quant 量化與 FlashInfer-Bench 推理四大賽道；在全部 235 道題中拿下 88 項單題第一，超過第二名單題第一數量的 2 倍。該系統把工作區、除錯區和評測區徹底隔離，評測容器停用網路，並用 Skills、共享記憶與統一 GPU 排程讓 Agent 完成程式碼生成、評測驗證、效能分析和策略調整的閉環。
無問芯穹（Infinigence AI）在輝達研究院的 GPU 運算元效能評測榜 SOL-ExecBench 上先後登頂 L1 基礎運算元、L2 融合運算元、Quant 量化與 FlashInfer-Bench 推理全部四大賽道；截至 10 月 26 日仍在 L1 與 Quant 兩賽道總分全球第一，在 235 道題中拿下 88 項單題第一，超過第二名單題第一數量的 2 倍，其中 L2 賽道的 82 道題中佔了 39 項第一。
開源工具 CATT 0.2.1 讓開發者用一個模擬的 Muse/Instinct 助手來測試自己的服務或 MCP。測試者可設定起始條件、審批和成功條件；CATT 會記錄完整互動（含工具呼叫與回應），並對比助手聲稱的結果與實際發生的情況。它支援工具呼叫與命令列訪問、模擬服務審批，並提供基於非官方 Muse 模板的 MCP profile；它可在本地或 CI 中執行，有無 LLM 後端均可。
Anthropic 啟動長期計劃 Cyber Mission，首先聚焦關鍵基礎設施與開源軟體兩個方向的防禦。其中，關鍵基礎設施防禦計劃（CIDP）把前沿 Claude 模型、駐場工程師與威脅研究交給守護電力、水務、交通等運營技術（OT）的供應商，首批夥伴包括 CrowdStrike、Dragos、Palo Alto Networks、Rockwell、PwC 等 11 家。同時推出的 OSS Scanner 使用其最強模型為開源專案免費定期掃描漏洞；
OpenAI 宣布正在籌備下一輪內部安全衝刺，並將與 Cathedral Systems 合作，藉助 AI 測試並加固自身防禦。公告沒有披露這輪衝刺的具體時間、測試範圍與所用工具，只說明目標是用 AI 檢驗和強化安全防護。
Google DeepMind 發布了一套可快速驗證生物設計是否內建安全防護的工具，並以開放形式供研究使用。該工具面向科研人員，目的是在 AI 加速科學發現的同時不拖慢關鍵研究進度。官方未披露具體工具名稱、技術細節與適用限制。
在 Criteo 任職的初級工程師 Elise Baturone 認為，AI 不會讓軟體工程師消失，真正的風險是資深工程師消失、所有人永遠停在 Junior 階段。她把自己的 agent 調教成導師，用蘇格拉底式提問做理解檢查，並把「提問」和「review」當成需要自己練的技能：追問 agent 解釋設計選擇、引用來源、論證可疑方案，常能讓它自己發現錯誤。她承認這更費 token，但先弄懂再上線更省事；
以色列創業公司 42AI 結束隱身狀態，帶著 6,250 萬美元種子輪融資推出「行為世界模型」，用來預測人在全新情境下會做出什麼決策。它已在約 10 家大型券商上線，用於管理流動性、保證金要求與對沖敞口；公司稱其交易預測準確率達 98%（指交易流是否落在預測區間），預測交易方向與成交量的 F1 為 0.8 到 0.85。模型訓練資料覆蓋 200 多萬人與近 3,000 萬條客戶記錄，據稱不需要個人身份資訊，收入已達七位數，後續將探索遊戲、反欺詐與網路安全。
HackerRank 的 AI 面試 agent Chakra 結束約六個月 beta，週一起正式向企業客戶開放，測試期間已完成逾 50 萬場面試，Snowflake、Snorkel、Capgemini 等公司參與試用。候選人要在帶 AI 助手的畫布上處理真實程式碼倉庫任務，Chakra 會依據其操作追問思路，評估批判性思維、判斷力與「AI fluency」，即如何向 AI 描述問題、判斷其輸出並引匯出解法。
Anthropic 的 Cowork 新版本把模型推理和 VM 都放到雲端執行，每個會話獲得獨立沙箱，不與其他會話共享狀態。舊版本只在雲端做推理，工具呼叫由 Anthropic 隨桌面端下發的本地 VM 執行，使用者抱怨磁碟、電量和效能開銷，且合上筆記本工作就會停止。新架構下當雲端 VM 需要使用者裝置上的檔案時，由桌面應用負責該檔案訪問的工具呼叫。官方稱這解決了用手機使用 Cowork、任務持續執行以及不犧牲電池等問題。
Runware 宣布要建工廠，像造車一樣在流水線上量產模組化 AI 資料中心，目標到 2028 年讓羅馬尼亞工廠日產能達到 30 兆瓦，約合每月近 1 吉瓦。其 Sonic 推理艙的建造時間將從三週縮短到一天，運抵後 48 小時內完成安裝上線；客戶可自備 GPU 並支付月費，也可直接向 Runware 租算力，電力與網路另計。
中科院軟體所中文資訊處理實驗室與快手推出 OmniBehavior，這是首個真實世界全鏈路使用者行為模擬基準，已被 NeurIPS 2026 接收。資料集覆蓋 3500 名快手使用者三個月的 212 萬條互動記錄，橫跨影片、直播、電商、廣告與搜尋場景，共設 6000 個預測任務。評測中表現最好的 Claude-Opus-4.5 僅得 44.55 分，多數模型在 32 至 41 分，擴大上下文視窗未帶來穩定提升。
中科大系公司白澤通境發布溯因式世界模型 AWM，並開源論文與程式碼，配合自研端側推理引擎 BAIZ-RUN 把模型壓進機器人本地執行。AWM 從無標註影片學習，在 Push-T 任務上以 2000 條軌跡達到 75% 成功率，約為 Causal-JEPA 所需資料的七分之一，資料加到 14728 條時成功率約 92%。
Anthropic 週一發布研究報告，稱可自我複製的 AI 蠕蟲可能數月內就具備在 IoT 裝置上擴散的能力。報告稱 90 億引數模型在 9 類硬體中的 8 類上成功部署推理，Gemma4-26B-A4B 分散跑在 15 臺安卓電視盒上僅 0.39 tokens/秒；GLM-5.2 成功向 8 個安卓 15 模擬器節點傳播 Llama3.1-8B，5 次試驗中 4 次全部成功。
美國經濟政策研究中心（CEPR）於 11 月 3 日發布題為《The AI Bubble Monitor》的文章，以持續監測的形式討論 AI 泡沫問題。資料中只提供了標題與連結，未披露具體指標、資料來源或更新頻率；該條目在 Hacker News 上獲得 29 分、15 條評論。