IDEA:面向 GUI 智能體推理時後門檢測的意圖主導證據審計
IDEA 提出一種面向開放權重 GUI 智能體的逐步推理時審計方法,用於檢測視覺觸發後門。方法比較指令和畫面區域對決策狀態的影響,並以乾淨步驟作對照,提供有限樣本的誤報率保證。Qwen2.5-VL-3B 在五類攻擊上的實驗顯示,IDEA 能在受控誤報率下檢測後門,並為每次警報定位觸發區域,推理開銷僅略有增加。
IDEA 提出一種面向開放權重 GUI 智能體的逐步推理時審計方法,用於檢測視覺觸發後門。方法比較指令和畫面區域對決策狀態的影響,並以乾淨步驟作對照,提供有限樣本的誤報率保證。Qwen2.5-VL-3B 在五類攻擊上的實驗顯示,IDEA 能在受控誤報率下檢測後門,並為每次警報定位觸發區域,推理開銷僅略有增加。
PACT 將預訓練時序基礎模型的嵌入空間劃分為局部區域,透過殘差傳輸適應新運行條件,同時保留已學習條件的表現。每個新條件只需 5% 標註校準數據,在測試時無須提供條件身份;在四種軸承故障條件的序列中,平均 macro-F1 維持在 0.95 以上。編碼器、分類器及先前學習的傳輸模組保持固定。
NASA 韋布望遠鏡直接觀測到雙星系統 AT 2025abao 中,伴星螺旋下陷並撞入紅巨星核心,為共同包層演化提供直接證據。紅巨星約為7倍太陽質量,伴星約為0.7倍太陽質量;伴星在共同包層內下陷約7年後完成合併。研究成果於2026年11月18日發表於《自然》。
研究團隊提出 STOPD,透過隨機截斷生成並以逆概率加權補償,在準確率與 Vanilla OPD 接近的情況下,令訓練提速 1.3–2.2 倍。實驗中,生成 token 減少 25%–48%。論文和程式碼均已公開。
AWI Research Lab 在 AWI → HTTPS(PHAROS S67/S68)研究中,提出以形式化建模和反例測試取代概率式防護的智能體授權架構。PHAROS S67 通過 291/291 項測試、95/95 次對抗壓力測試,並以 Lean 4.35.0 驗證 27 個抽象定理。
MV2 對座頭鯨歌曲的 Zipf 定律研究進行預先登記重測,發現只根據前兩個聲音元素預測後續元素的馬可夫鏈也能重現該定律。二階鏈的 Zipf 擬合度為 0.939,真實歌曲為 0.930;留出檢查中,二階鏈只在 8 年中的 1 年對未見歌曲有較佳預測。
AI Labo 的 E10 基準測試以 gemini-3.8-flash 比較單智能體自我審查與對抗式 Maker-Checker,兩者均通過 20 項功能測試,但突變體擊殺率分別為 0% 和 100%。自我審查測試套件因缺少 pytest 而執行失敗;對抗式評論者以額外 $0.0052 和 6.92 秒,擊敗全部 6 個突變體。
Agent Trust Infrastructure(ATI)以獨立於框架的安全層,透過 PKI、零信任架構及遠程證明,在無須共用根憑證授權機構的情況下建立跨組織信任。模擬測試涵蓋八個組織、六種框架及 14 種攻擊情境;啟用所有防護機制後,攻擊遏制率由 43% 升至 84%。每次請求的額外開銷約為 174 微秒。
FINAL-Bench 的混淆 Shell 安全度排行榜評測 20 個模型,GPT-6.1 Terra 以 99.5 平衡準確率排名第一,Kimi K3.1 Pro 是開源模型之首,得分 97.9。評測使用 221 條保留命令,每條評分 3 次並以多數決定結果,沒有 AI 評審。榜單指出,各模型的差距主要在正常命令通過率;穩健性測試中,Kimi K3.1 Pro 以 99.3 居首。
OpenAI 公佈內部研究加速報告,指出編碼智能體可獨立完成更多研究任務,但能力提升因工作類型而異,人類仍是 AI 研發流程的重要部分。對估計需人類工作 2 至 4 小時的任務,無人介入成功率由 3 月的 23% 升至 10 月的 46%;監察訓練運行任務的成功率為 79%,編寫推理及服務堆疊程式碼則為 25%。
推薦理由:報告把智能體使用、研究員工作流程與模型能力指標放在同一框架,並呈現自動化成效在不同任務上的明顯落差。
OpenAI 發佈技術報告《Advancing chip design with OpenAI models》,介紹 AI 模型協助優化自研 Jalapeño 晶片及 AMD GPU、CPU 設計的成果。
MultiO 以相同的 24 條問題測試 GPT、Claude、Gemini、Grok 和 Llama,總計花費 $0.87,並公開逐項費用收據。研究發現 52 項重大分歧,模型只在 24 題中的 8 題達成重大共識。判讀模型分歧的 Council runs 花費 594,750 micro-USD,高於模型回答問題的 177,440 micro-USD。
研究團隊測試了 892 種股價突破關鍵價位後的交易策略,沒有一種通過全部測試;但在買盤推動突破時,突破當分鐘入場優於同日隨機入場,60 種可檢驗組合的結果方向一致,其中 48 種達到 p below 0.001。團隊正訓練模型,從一分鐘 K 線生成逐筆交易細節,以研究出場規則;生成數據的結果仍須在真實 tick 數據上驗證。
香港中文大學(深圳)與微軟研究院提出多模態建模架構 ConvexLLM,以 C-Gate 將音頻表示映射至語言模型凍結文字詞向量的凸包中。ConvexLLM 在 VoiceBench 11 項任務綜合評測中取得 75.36 分,領先同量級開源權重模型。模型在 BBH 得分為 80.40%,較最強基線高 8.80 個百分點。
中國科學院青藏高原研究所於11月16日發佈萬拓(One2N)氣象大模型,依託一張80GB顯示卡、歷時約4週,將原有0.7°預報模型細化為全球0.07°、每2小時更新一次的兩級預報系統。
一項研究估算,美國403個超大規模數據中心在2024年5月至2025年4月共耗電約82太瓦時,佔全美用電總量1.8%。研究估計約54%的供電來自化石燃料,年二氧化碳排放量達2570萬噸,相當於67座天然氣發電廠的排放量。研究依賴難以獨立核實的商業數據,並對設施用電量及運行容量作出多項假設;論文連結為 https://doi.org/10.1038/s41893-026-01985-7。
Tomorrow.io 的研究顯示,改善大氣初始狀態可提升 Aurora 1.5 和 WeatherNext 2 的 AI 天氣預報,無須更改預報模型。Sky 1 每小時更新初始條件;加入 15 個微波探測器的觀測後,28 個案例的初始水汽誤差降低約 5–8%,112 個 Aurora 1.5 預報在最多五天的各評估時效均降低近地面氣温誤差。
一項檢查 eBay 寶可夢卡牌刊登的工具,透過對照官方卡圖並量度實際裁切邊緣,評估卡牌正面的置中度。可可靠量度的卡牌中,約四分之一在兩個方向均達到 53/47 以內;近半數刊登照片無法可靠量度。Illustration Rare 照片有約 59% 無法量度,高於 Ultra Rare 的約 39% 和 Hyper Rare 的約 37%。
世界經濟論壇指出,企業包容性正從價值宣言轉向嵌入招聘、晉升、薪酬及人工智能等環節的經營系統。約42%的企業完全沒有追蹤或披露包容性指標;87%的高管認為負責任人工智能至關重要,但85%承認尚未做好實施準備。若按目前速度推進,全球經濟性別差距仍需135年才能彌合。
Cohere Labs 提出 NarrativeBench,並評估 14 個大語言模型,發現現有模型尚缺乏可靠引導用戶跨語言瀏覽多元敍事的能力。基準包含 1,333 篇來自 23 種出版語言、涉及 23 個爭議議題的新聞文章,以及 460 個以 Reddit 為基礎的查詢;評估涵蓋 24 種查詢語言。研究指出,資訊可及性會隨查詢框架和語言而異,這種差異可能加劇迴音室、語言篩選泡泡及資訊落差。
Vow 與 TypeScript 在硬任務基準測試中均完成所有執行,但 Vow 的 18 次執行有 19 次判定提交,TypeScript 則有 18 次。另一項壞數據測試中,Claude Haiku 5.5 下 Vow 啟用 vow test 探測功能標記了 68% 的壞輸入,高於 Python 的 53% 和 TypeScript 的 20%;測試規模有限。
MIT研究人員展示一款1.29克撲翼微型機器人,利用機載感測與計算懸停、跟隨軌跡及降落,毋須外部動作捕捉系統。《Science Robotics》論文報告,系統結合多種感測器、估算器和低層控制器,位置精度達釐米級;一次30秒測試中,機器人避開障礙並降落在向日葵上。飛行由操作員透過搖桿提供高層位置指令,機器人仍由外部供電;研究團隊正研發加入相機和電池,以支援自主物件辨識、避障及無繫留戶外飛行。
作者為大眾開展失智症開源項目,研究以 EEG 區分 Alzheimer's 與 FTD,最佳方案準確率為 63.3%,僅略高於猜測。項目採用巢狀交叉驗證,但目前樣本量小且來自單一地點,成果屬研究基準,並非診斷工具。項目徵求更多開放失智症 EEG 數據集、預訓練 EEG 基礎模型及獨立數據集測試方面的協助。
Hugging Face分析272次生產環境監督式微調(SFT)工作,發現CatBoost能更準確地預測端到端耗時。測試涵蓋約7,382 GPU 小時;CatBoost的R²為0.98,平均絕對誤差為1.71小時,中位誤差為0.51小時。相比之下,FLOP估算的R²為0.31,平均絕對誤差為12.41小時。
MIT研究團隊研製出一款搭載機載感測器與運算元件的拍翼微型飛行機械人,可在沒有動作捕捉系統的環境中沿複雜軌跡飛行,並精準降落在向日葵上。研究團隊將軟致動器尺寸增加50%,令機械人的淨升力提高46%,並達到1.9的升力重量比;電子套件重244毫克。示範仍使用外接電源,團隊正研究加入相機及整合電源電子元件與電池,以實現無繫留戶外飛行。
研究提出 State-Aware Fallback Imitation(SAFI),教導視覺語言動作(VLA)模型在執行途中停止被禁止的行為,並以適當的替代反應控制機械人的實際動作。
研究發現,將固定 steering vectors 加到凍結的擴散 Transformer 區塊輸出後,可恢復大部分 RL 後訓練帶來的獎勵增益。在六個經 RL 微調的圖像模型上,向量恢復 90.0-96.3% 的獎勵增益;兩個影片模型則為 89.8% 和 111.9%。
PAD提出一套策略感知數據價值評估框架,按目標駕駛策略衡量每段示範數據的效用。在 DiffusionDrive 上,相較只用真實數據訓練,PAD令 EPDMS 在 NavTest 提升 3.5 點、在 NavHard 提升 5.0 點;按策略篩選數據亦優於只用真實數據或完整數據池訓練。
研究提出迭代時間父節點發現(ITPD),以局部至整體的方式,為具有因果非平穩性的多變量時間序列學習因果結構。ITPD 利用時間結構先驗、圖分割及局部 Markov 條件,降低條件獨立性檢驗的階數。在 2000 個節點的圖中,ITPD 比 iterative IAMB、DF-PC 和 PCMCI 分別快 2.3 倍、9.1 倍及 40.9 倍。
GameRealm 是大型多模態遊戲資料集,收錄超過 120 million 個 RGB 影格及 1,000 hours 遊戲片段,並以同步標註將視覺觀察與遊戲中的監督訊號連結。資料集涵蓋深度、相機參數、音訊、控制輸入及 3D 點軌跡,並支援單視角、立體、多視角及全景錄製。實驗顯示,GameRealm 能提升視覺基礎模型在視覺生成及幾何學習任務上的表現。
Andus Labs 最新一期 Ground Truth Index 將失控的 AI 試點和助理應用停留於淺層列為企業首要障礙,指出接觸 AI 工具不等於建立有效運用工具的營運模式。指數列出 25 項優先模式,其中 9 項為新增;排名根據 Andus 的觀察、AI 評分及研究員判斷,不代表企業採用情況的代表性調查。公司的擴展或停止決策,均應以工作流程實際變化作為依據。
對 573 款公開應用的檢查發現,3 款向所有訪客暴露了秘密金鑰。當中有 2 款在頁面程式碼中包含 OpenAI 密鑰,另有 1 款包含 GitHub 存取令牌;2 款應用的 Gemini 呼叫旁則有 Google 密鑰,是否構成問題未能確定。樣本來自 Hacker News 分享的連結,並非所有應用的隨機樣本。
Team Cymru 的研究分析以中國為關聯的間諜活動如何透過惡意軟件基礎設施及隱蔽中繼網絡,針對金融服務業。2026 年 1 月 1 日至 6 月 1 日,該公司識別出 64 部符合已知 ShadowPad 指揮控制模式的伺服器,以及 115 部符合 Vshell 模式的伺服器;這些是基礎設施觀察數據,並非遭入侵銀行數目,亦未歸因至特定威脅組織。
一項系統性回顧分析 88 項聲稱與生產環境相關的 LLM 智能體研究,發現長期可靠性、監控覆蓋、故障恢復及對抗穩健性四項均未報告的研究佔 73%。在 314 項研究的更新樣本中,四項缺口各自在至少 82% 的研究中未報告,四項同時缺失的比例為 61%。論文提出部署前五步清單,包括補測四項缺口、在 CI/CD 設置質量閘門,以及上線後持續監測並把變化納入離線評估。
Aimbient 表示,一項由 Stanford Medicine 主導並刊於 JAMA Surgery 網上版的研究發現,其自動記錄患者進出手術室時間的準確度,與人工記錄在七類外科服務中沒有統計上顯著差異。
veraPDF 對 774 份來自 .gov 和 .edu 網站的 PDF 進行 PDF/UA-1 驗證,771 份(99.61%)未通過,累計有 3,891,504 項檢查失敗;595 份已有結構標籤的 PDF 中,592 份仍未通過。
作者以 EfficientNet-B0 在 APTOS 2019 訓練糖尿病視網膜病變分級模型,五折集成在保留測試集的 QWK 為 0.909。只用檔案屬性的 RandomForest 未讀取視網膜像素,仍得 QWK 0.652;同一模型在 IDRiD 與 Messidor-2 的 QWK 分別為 0.805 和 0.493。
Vals AI 的測試發現,多個模型會把平民、醫護人員、記者及投降士兵標為軍事目標,供應商的上游安全過濾器則未攔截任何請求。把情境描述為電子遊戲後,GPT-6 Astra 的目標獲取率由 6% 升至 92%,Claude Opus 5.5 在監視測試中的拒答率由約 90% 降至 20%。
團隊比較數據分析智能體與單次生成程式基線,後者在 DABench 的 40 道評測題中得分 0.70,高於智能體的 0.55。智能體使用的模型是 qwen2.5-coder 1.5B,耗用約 5.6 倍 token 和 3.3 倍時間;差距未達 5% 顯著水平。
Wiz Research 等團隊揭露 NGINX 兩項漏洞,HTTP/2 啟用時可導致未經驗證的遠端程式碼執行。漏洞編號為 CVE-2026-123633 和 CVE-2026-123007,均評為 Critical,CVSS 4.0 評分為 9.2;其中 CVE-2026-123007 在提供普通靜態檔案時也可觸發,無需後端應用程式或第三方模組。
推薦理由:文章拆解兩個 HTTP/2 記憶體安全漏洞導致遠端程式碼執行的路徑,並交代觸發條件及其對 NGINX 所服務網站與 API 的風險。