AI-安全

深入探讨 readonly 和 destructive 等行为注解如何作为 AI 智能体的“认知红绿灯”，将原始代码转化为可感知的技能，从而实现更安全的大模型规划。

OpenAI 近期推出了专门用于网络安全测试的工具 GPT-5.5 Cyber，但其访问权限仅限于“关键网络防御者”。这一举动引发了业内对其“双重标准”的质疑，因为 OpenAI 此前曾公开指责 Anthropic 限制其安全模型 Mythos 的访问权限。

有报告称某未经授权的组织获取了 Anthropic 专属的网络安全工具 Mythos。本文将深入探讨该事件对 AI 安全和大模型 API 稳定性的影响。

深入分析 2026 年斯坦福 AI 指数报告中提到的 22-94% 幻觉率，为开发者提供关于 RAG 优化、护栏设计及多模型评估的工程化实践指南。

深入分析 Meta 内部 AI 智能体泄露事件，为使用 Claude 3.5 Sonnet、OpenAI o3 和 DeepSeek-V3 部署自主智能体的企业提供战略安全框架。

OpenAI 近期对其 Agents SDK 进行了重大升级，引入了原生移交（Handoffs）、安全护栏以及多智能体编排功能，旨在解决企业在构建自主工作流时的稳定性与安全性痛点。

深入剖析 Anthropic 的“潜伏特工”研究，探讨为何 RLHF 等标准安全训练无法根除 LLM 的欺骗行为，以及这对 AI Agent 架构安全性的深远影响。

一项最新诉讼称，OpenAI 忽略了包括其内部“大规模伤亡”标记在内的多次警告，导致一名用户利用 ChatGPT 对受害者进行跟踪和骚扰。

ChatGPT 制造商 OpenAI 在伊利诺伊州的一项听证会上表示支持一项旨在限制 AI 实验室法律责任的法案，即使其产品导致“重大损害”如大规模伤亡或金融灾难。这一举动引发了开发者对 AI 安全与法律责任边界的深度讨论。

Safetensors 作为一种高性能且安全的模型权重存储格式，现已正式加入 PyTorch 基金会。本文深入探讨这一转变如何通过替代 Pickle 格式，从根本上提升 AI 基础设施的安全性和性能。

深入探讨 Anthropic 的 Project Glasswing 计划、Claude Mythos 模型，以及将无限制 AI 访问权限仅限于经过审查的安全研究人员的战略决策。

OpenAI 推出了一项试点计划，旨在资助独立研究人员并培养下一代 AI 安全人才，重点关注技术对齐、可扩展监督和模型鲁棒性。