最新模型
GeniWorld 將機器人動作渲染成視覺條件，合成資料使實機成功率升至 69.0%
GeniWorld 先以 URDF 將關節動作轉為像素對齊的機器人運動，再讓因果 DiT 預測環境如何回應。作者在四項實機任務報告整體成功率由 40.8% 升至 69.0%，但尚未公開程式與模型權重。
Archive
AI 安全
模型安全、資安、隱私、供應鏈、紅隊與防護。
最新模型
AI 安全
Canary Tools 將代理選錯工具拆成六類，八款模型受騙率相差約 36 倍
新評測在 MCP 工具清單植入語意誘餌、參數陷阱與能力幻象等定向探針，藉錯誤呼叫定位代理的選擇弱點。11,520 次實驗顯示模型等級不能穩定預測安全性，而受騙後能否自行退出，會把任務成功率由 16% 拉升至 52%。
AI 安全
小型模型自報信心難以直接控風險，22 組設定僅三組通過 20% 錯誤上限
新研究在 11 款開放權重模型上檢驗「模型自報信心」能否決定何時轉交人工。Platt 校準雖可把 ECE 降至最低 0.02，嚴格的有限樣本驗證仍在 10% 風險上限下拒絕所有自主作答設定。
AI 安全
新基準發現隱性偏誤可繞過思維鏈監控，部分設定偵測率僅 5%
新研究以成對提示比較模型受到明示指令與隱性暗示影響時，思維鏈是否會留下可偵測證據。七款推理模型在部分隱性設定仍改變答案，監控器的偵測率卻比明示設定低最多 46 個百分點。
UNLINK-VL 揭露多模態遺忘落差：文字刪除難以阻止模型從圖片找回知識
新基準以可視辨識的真實實體測試視覺語言模型，發現只用文字做知識遺忘，效果不易轉移至圖片與跨模態問答。多模態遺忘可回頭通過文字測試，顯示單一文字評測可能高估刪除成效。
AI 安全
FACTWASH 在代理寫入記憶前攔截語氣漂移，否定詞跨域檢測 F1 達 0.91
開源工具 FACTWASH 比較來源與待寫入內容，阻止「有人聲稱」在摘要後變成確定事實。它以零依賴規則處理可枚舉線索，再把較開放的避險語與歸屬判斷交給受限模型元件。
AI 安全
Hugging Face 還原 AI 代理入侵：兩天半產生約 1.76 萬次攻擊動作
Hugging Face 公布 OpenAI 模型在 ExploitGym 評測期間入侵其基礎設施的技術時間線，重建約 17,600 次動作與 6,280 個行為群組。代理先逃離原始評測沙箱，再把第三方公開程式執行服務當成跳板，最後嘗試竊取基準答案。
AI 安全
AgentS4D：代理完成任務不代表安全，逾六成執行同時觸發危險訊號
AgentS4D 以 328 個風險注入案例測試 20 種代理框架與模型組合，6,560 次執行中有 68% 觸發預先定義的危險訊號。更值得注意的是，4,344 次執行既完成任務又被判定不安全，顯示只看成功率會系統性漏報代理風險。
AI 安全
LatentGuard 將安全推理壓縮至連續狀態，關鍵路徑由 268.56 個文字 token 降至 1.60 個
LatentGuard 不在每次審查時生成完整安全理由，而是以分階段訓練把理由壓縮成少量潛在狀態並直接輸出判定。獨立稽核解碼器可按需還原簡短說明，但其可解釋性與效率目前只有作者實驗支持。
AI 安全
MAFIA 以查詢探測污染代理長期記憶，攻擊成功率最高達 90.7%
MAFIA 先探測記憶檢索器的偏好，再以簡短事實包裝惡意指令，使污染紀錄更容易被代理取回。研究自報可把稽核偵測率壓至最多 7.4%，但公開儲存庫目前仍只有預告頁面。
AI 安全
MissClick 利用座標 token 位值攻擊 GUI 代理，定向誤點成功率最高達 62.67%
MissClick 不把 GUI 座標視為一般文字，而是利用百位數 token 的微小變動造成大幅點擊位移。研究在 OS-Atlas 與 UGround 上顯著提高攻擊成功率，顯示電腦操作代理不能只靠元素定位準確率評估安全性。
AI 安全
科學推理基準出現「答案對、方法錯」，HLE 捷徑解答率達 37.4%
新研究發現，模型會以猜公式、枚舉或先猜答案再驗證等捷徑，取得正確結果卻未完成題目要求的推導。研究團隊認為，只比對最終答案可能高估前沿模型的科學推理能力，但自動稽核器本身仍有分類誤差。