Anthropic 披露 Andon Labs 的 Drone-Bench：评测 AI 能否自主操控无人机

Anthropic 公布了 Andon Labs 创建的 Drone-Bench 的评测结果（Anthropic 提供咨询，没有该基准的访问权，评测由 Andon Labs 运行）。该基准用于评测 AI 智能体能否自主控制无人机完成室内定位与跟踪的监视任务。评测把目标拆成五个子任务：重建（把办公室视频转成 3D 模型并切成 2D 障碍地图）、定位、导航、检测和跟踪，并在软件中复现以便反复运行。Andon 测试了来自三家开发者的 15 个模型，从 GPT-4o、o1、o3 到 Opus 4.8、Fable 5 和 GPT-5.6 Sol。整体趋势是新模型在各子任务上进展更远，检测和跟踪表现最好，重建和定位最差，当前模型主要卡在重建子任务。实验局限包括无人机速度慢、只测试了一层办公室平面图和有限人数、未在户外人群环境中测试。

推荐理由Andon Labs 把无人机监视任务拆成五个子任务做成 Drone-Bench，Anthropic 公布了结果，可看到前沿模型在自主控制硬件上的能力位置与瓶颈。

Anthropic 红队发布评估：AI 模型的情报定位与常规武器开发能力

Anthropic 前沿红队评估模型在战术情报定位与常规武器相关任务中的能力，涉及账号关联、人员分类、照片和文字地理定位，以及无人机引导控制仿真。报告称部分模型在所测任务上表现出较强能力，但照片定位的人类 GeoGuessr 对照与模型任务并非同一数据集，不能把误差数字直接当作同条件的人机排名。文本定位结果也部分依赖用户主动透露的地点。武器相关结果来自模拟任务，不等于已验证的现实攻击能力。

推荐理由Anthropic 红队用仿真任务量化模型在情报定位与常规武器开发上的能力，并给出前沿与开源模型的差距。

UK AISI 与 US CAISI 联合评测 Kimi K3 的网络能力

英国 AI 安全研究所（UK AISI）与美国 AI 标准与创新中心（US CAISI，@NIST）联合对 Kimi K3 开展了聚焦网络能力的评测。初步评测结果显示，Kimi K3 在网络能力上低于美国领先的前沿模型。

Irregular 用 CyScenarioBench 评测 Claude Opus 5.5 的攻防安全能力

Irregular 披露 Anthropic 在 Claude Opus 5.5 的网络安全评测中使用了其 CyScenarioBench 基准。该基准通过分析真实网络事件构建攻击树，在容器化网络拓扑中考察模型的多阶段攻击规划、分支决策准确率、约束遵守和状态不一致恢复能力，场景不公开以测试推理而非记忆。评测取十项挑战子集，在关闭网络安全缓解措施的条件下运行，Claude Opus 5.5 平均解决率为 67.6%，高于 Claude Mythos 5.1 的 61.7%、Claude Opus 5 的 53.0%，Claude Sonnet 5 低于 1%。Irregular 表示这些结果反映能力激发下的模型能力，而非真实攻击场景中的有效性。

推荐理由Anthropic 在 Claude Opus 5.5 的网络安全评测中采用了 Irregular 的 CyScenarioBench，其多阶段攻击场景设计与分数对比可供评测方法参考。

KaliBench：面向 Kali Linux 网络安全工具使用的细粒度基准

KaliBench 是面向 Kali Linux 自然语言到 CLI 翻译的细粒度基准与数据集，包含 8,504 条查询-命令对，覆盖 1,642 个工具、23 个能力维度和 5 个安全阶段。在三种评测模式、24 种通用与安全专用开源权重模型配置下，无限制设置中没有任何开源权重模型的精确命令准确率超过 42%。基于 KaliBench 的可验证奖励进行监督微调和强化学习，可显著提升 8B 模型，使其性能接近 685B MoE 模型。

韩国 AISI 与 Scale AI 发布 ROK-FORTRESS 多语言安全基准

韩国人工智能安全研究所（Korea AISI）与 Scale AI 联合发布多语言安全基准 ROK-FORTRESS，基于 Scale AI 的 FORTRESS 构建，用受控的跨语言改写矩阵把提示词语言与地缘语境分开调整，每个对抗提示词最多评估 4 种变体。数据集覆盖 CBRNE 威胁、政治暴力与恐怖主义、犯罪与金融活动、信息泄露 4 个领域共 1235 个任务，并为每个对抗提示词配一个无害对照提示词以测量过度拒答，评分由经专家参考标签校准的 LLM-as-judge 面板按专业红队成员编写的二值评分标准完成。在 14 个模型上，韩语且韩国语境的提示词一致对应更低的危害性，英语提示词的风险分最高，危害性最高与最低的模型之间风险分相差近 9 倍。去掉角色扮演、虚构背景、情感诉求等对抗包装后，专有模型在韩语上仍略更安全，而 5 个开源前沿模型在韩语请求上反而更可能作答。

推荐理由韩国 AISI 与 Scale AI 联合发布的 ROK-FORTRESS 把语言与地缘语境拆开测量，为多语言安全评测提供了可迁移的矩阵设计。

Stanford CRFM 发布 BountyBench：用真实漏洞赏金衡量 AI Agent 攻防能力

Stanford CRFM 提出 BountyBench，一个包含 25 个真实代码库系统和 40 个漏洞赏金的基准，赏金金额从 10 美元到 30,485 美元，覆盖 OWASP Top 10 风险中的 9 类。基准定义 Detect、Exploit、Patch 三类任务，覆盖漏洞从发现到修复的生命周期，并通过信息量调节任务难度。评测 5 个 Agent 后发现明显的攻防失衡：OpenAI Codex CLI 和 Claude Code 的 Patch 成功率分别为 90% 和 87.5%，但 Exploit 成功率仅 32.5% 和 57.5%；基于 GPT-4.1、Gemini 2.5 Pro Preview 和 Claude 3.7 Sonnet Thinking 的自定义 Agent 则相对均衡，Exploit 成功率 40-67.5%，Patch 成功率 45-60%。

Epoch AI 分析 Mythos 的网络能力是否被夸大

Epoch AI 汇总约十五个公开网络安全基准，用改进后的 Epoch Capabilities Index 方法构建 Cyber-ECI，评估 Anthropic 的 Claude Mythos 系列在网络能力上是否被夸大。分析认为 Mythos Preview 在漏洞利用开发上确有大幅提升，比 GPT-5.5 更强，并领先 2025 年初以来的趋势约 7 个月，Mythos 5 在此基础上小幅提升。漏洞发现方面证据不够明确：参与 Project Glasswing 的 21 家机构披露的高危和严重漏洞数在 4 月和 5 月分别超出 2025 年基线 142% 和 262%，但同期 API 额度投入最高达 1 亿美元，难以区分是模型能力还是投入增加所致。curl 维护者称 Mythos 只发现一个低危漏洞和四个误报，未显示比既有工具更强。

推荐理由Epoch AI 汇总约十五个网络安全基准与 Project Glasswing 的 CVE 数据，区分漏洞发现与漏洞利用两种能力，为判断 Mythos 是否被夸大提供可核对的证据。

Epoch AI 发布 EBR-bench：用桌游《Earthborne Rangers》测试 AI 能否从经验中学习

Epoch AI 推出 EBR-bench，通过让模型反复游玩复杂桌游 Earthborne Rangers 来检验其从经验中学习的能力，目前几乎没有证据表明 AI 具备该能力。同期数据显示，Anthropic 于 4 月称 Claude Mythos Preview 能自主发现软件漏洞后，6 月 21 家机构的约 1,500 个高危和严重级 CVE 披露量达到此前月度纪录的 3.5 倍以上；GPT-4 则在 Epoch Capabilities Index 榜首停留约一年，远超其他模型的三个月出头。

Epoch AI《The Epoch Brief》7 月刊：FrontierMath 开放问题扩展到 50 题

Epoch AI 将旗下未解数学难题基准 FrontierMath: Open Problems 扩充至 50 道专业数学家未能攻克的题目，目前 AI 仅解决其中三道。该组织同时发布了 AI 研发并行化约束可能推迟甚至阻止技术奇点到来的报告，以及一份解析 AI 能耗需求及其对气候和地方社区影响的指南。两则数据分析显示，主流 AI 文本检测器对人类写作几乎不误报，但在模仿特定作者风格时漏检率平均达 13%，科学类仿写段落漏检率约为 26%；另一项分析中，OpenAI Codex 公开仓库 41 位核心贡献者在 2026 年第二季度有 8% 的人日工作量估计超过 24 小时无辅助工时。

OpenMTB-Audit：LLM 分子肿瘤委员会安全评测暴露过度拒答

研究者发布 OpenMTB-Audit，一个包含 500 例合成非小细胞肺癌病例的开源基准，覆盖五类对抗性错误和 Supported、Partially Supported、Unsupported、Insufficient Information 四种安全标签。在八种大语言模型配置上，所有配置在真实 Partially Supported 病例中有 83.3% 至 100% 未能保留该标签，靠标签坍缩获得高总体安全分，而非临床校准推理。为此作者开发 MTB-AuditAgent，一个确定性七模块框架，分离证据核验、缺失信息检测、安全分类与弃答，将过度拒答降至 6.7%，准确率达 91.2%（95% CI：88.6-93.6%）。两位肿瘤科医生的标注研究显示，分歧集中在信息充分性与治疗优化之间的边界。

Concordia AI 发布前沿 AI 风险监测平台与 2025 Q3 报告

Concordia AI 推出前沿 AI 风险监测平台并发布首份 2025 Q3 监测报告，追踪全球 15 家领先开发者的模型在网络攻击、生物、化学和失控四个风险域的表现，称其为中国首个聚焦灾难性风险的同类型平台。报告称过去一年发布的模型在四个风险域的 Risk Index 均创下新高，累计最高值分别上升 31%、38%、17% 和 50%。不同模型家族走势分化：GPT 与 Claude 家族保持低风险，DeepSeek、Qwen 和 MiniMax 先升后降，Grok 的失控风险与混元的生物风险快速上升；报告还提到近三个月发布的中国模型在多个领域风险显著下降，主要源于对恶意请求的拒答增强。推理模型能力得分远高于非推理模型，但安全水平大致相当。开源权重模型与闭源模型整体能力与安全水平相近，仅在生物风险上得分明显更低。

Concordia AI 发布 2025 Q4 前沿 AI 风险监测报告

Concordia AI 发布前沿 AI 风险监测平台 2025 Q4 报告，追踪全球 16 家开发者的模型在网络攻击、生物、化学和失控四类风险上的表现，并汇总全年趋势。报告称 Q4 整体风险指数未再创新高，出现阶段性稳定，前沿模型安全分较上一季度明显上升，豆包、混元和 MiniMax 家族改善最明显。模型家族走势分化：GPT 和 Claude 维持低风险，DeepSeek 稳定在较高风险，Gemini 和 Kimi 在特定领域风险上升。Q4 有 70% 的模型在 SOSBench-Chem 上有害化学查询拒答率超过 80%，StrongReject 上的越狱抵抗力也普遍增强。失控风险方面，多数 Q4 模型情境感知得分接近或超过 80 分，诚实度差异悬殊，Claude Opus 4.5 Reasoning 为 96.4，Gemini 3 Pro Preview 仅 44.7。

Concordia AI 发布 2026 Q1 前沿 AI 风险监测报告：滥用防护改善而失控安全停滞

Concordia AI 发布 2026 Q1 前沿 AI 风险监测报告，首次采用 Risk Index v1.5 框架，独立评估 16 家公司 70 多个模型。新框架新增“有害操纵”风险域，并在失控域引入 MLE-Bench、GDM-Stealth、Agentic-Misalignment 等能力与倾向评测，在网络攻击、生物、化学域加入 Fortress、ISC-Bench 等高强度红队基准。报告发现风险趋势出现结构性分化：网络攻击、生物、化学和有害操纵域的能力与安全得分同步上升，而失控域能力持续增强、安全得分未同步改善。模型家族风险画像继续分化，Gemini 家族在失控域风险指数明显偏高，DeepSeek、GLM、MiMo 家族在多数域处于较高风险区间，Kimi 家族在生物和化学域风险指数上升较快，GPT 和 Claude 家族多数域仍处较低风险区间。

FAR.AI 发布 ClearHarm 越狱数据集，聚焦 CBRN 等明确有害问题

FAR.AI 发布越狱基准 ClearHarm，聚焦 CBRN 威胁等明确有害问题，数据集已上线 HuggingFace，共 179 条提示词。作者认为现有基准存在两类局限：许多问题属于模糊有害，在前沿模型安全规范下本可回答；另一些是双用途问题，攻击方法如 PAP 通过改写提示词就能显得高效。ClearHarm 只收录仅可用于攻击目的的单一用途查询，无论提示词结构、框架或上下文如何都应被拒答。数据集由 Claude 3.7 Sonnet 生成候选类别与示例，最终选定生物、化学、核、常规武器和网络恶意代码五类，并统一语法结构以便跨类别比较。作者称内部测试中，许多在现有数据集上表现有效的越狱方法在提取这类明确有害信息时效果明显下降，详细结果将在后续论文中公布。

推荐理由FAR.AI 公开了 179 条 CBRN 越狱评测集，并说明它与 StrongREJECT 等基准在危害明确性上的差异。

SecureBio 发布 OpenAI GPT-5.5 发布前生物安全评估

SecureBio 对 OpenAI GPT-5.5 的两个发布前检查点做了生物安全评估，访问时间为 2026 年 4 月 2 日至 9 日，期间这些检查点的 API 级生物内容过滤被关闭。在静态评测上，较新的检查点在病毒学能力测试 VCT 上取得 52.0% ± 0.3%，超过 SecureBio 测试过的所有 SOTA 模型，且未观察到拒答，是首个在该测试上超过全部人类专家的 OpenAI 模型；在分子生物学 MBCT 上得 56.2% ± 0.5%，在人类病原体 HPCT 上得 64.7% ± 0.2%，在 World Class Bio 上得 53.2% ± 0.6%。在智能体任务评测 ABC-Bench 和 ABLE 上表现较强但未超过前沿模型，ABLE 因拒答率过高难以得出结论。

推荐理由第三方机构在发布前对 GPT-5.5 做的生物安全评测，给出静态与智能体任务的具体分数和拒答率，可对照此前前沿模型看能力变化。

SecureBio 发布 ABC-Bench：前沿模型在病毒 DNA 组装任务上表现如何

SecureBio 设计 Agentic Bio-Capabilities Benchmark（ABC-Bench），用三个可客观评分的任务衡量 LLM 智能体组装病毒 DNA 的实际操作能力，并与至少一年分子生物学经验、两年编程经验的 PhD 生物学家对比。所有受测模型在三个任务上都超过人类专家中位数：Claude Sonnet 4.6 和 Gemini 3.1 Pro Preview 在液体处理机器人任务上全部运行满分，Claude Opus 4.6 在片段设计任务上全部运行满分。模型在合成筛选规避任务上表现较差，该任务没有公开协议、需要真正的生物学创造力。作者指出，任务都涉及 Python 编程，编程是人类专家被拉开差距的主要环节。研究还用 GPT-o4-mini-high 在真实实验室的工业标准机器人上做了三次独立实验，均由全质粒测序确认组装成功。

推荐理由SecureBio 用 ABC-Bench 对比前沿模型与博士级生物学家在病毒 DNA 组装任务上的表现，并给出真实实验室验证结果。

SecureBio 发布生物领域 AI 基准仪表盘 Trends in Biology

SecureBio 发布公开仪表盘，汇总其全部 AI 模型评测分数，展示前沿模型在生物安全相关任务上的表现，涵盖旗舰隐性知识基准 Virology Capabilities Test 以及新一代智能体基准 ABC-Bench 等。该仪表盘覆盖三年以上、九家模型公司和十余项评测指标，其中两项结果突出：前沿模型已超过人类专家基线，且生物与生物安全相关领域的能力持续上升。仪表盘还包含 Bio Capabilities Index，其方法论与 Epoch Capabilities Index（ECI）一致，并测量和报告 BioTIER 等生物安全防护措施的有效性。所有分数通过标准化流程计算以保证比较公平有效，例如使用相同配置运行评测。仪表盘已上线，并随新模型、新基准和新分析发布而更新。

推荐理由汇总三年、九家模型公司的生物安全评测分数，并给出能力指数与防护措施评估，便于横向比较前沿模型在生物领域的进展。

安远AI发布前沿AI风险监测平台并给出十大关键洞察

安远AI于2025年11月7日发布国内首个前沿AI风险监测平台，并同步发布首份前沿AI风险监测报告（2025Q3），追踪全球15家领先AI公司的50个前沿模型在网络攻击、生物风险、化学风险和失控四个领域的潜在灾难性风险。报告称过去一年四类风险指数持续上升，网络攻击领域累积最大风险指数上升31%，生物风险上升38%，化学风险上升17%，失控上升50%。报告还指出推理模型能力分远高于非推理模型但安全水平大致相同，开源与闭源模型在多数领域的能力-安全分布无显著差异，生物风险领域开源模型能力明显偏弱。在具体基准上，CyberSecEval2-VulnerabilityExploit最高分从55.4升至91.7，BioLP-Bench中包括o4-mini在内的四个模型表现优于人类专家，而多数模型对有害生物问题的拒绝率偏低。

安远AI发布2025Q4前沿AI风险监测报告：Gemini生物能力提升，豆包、混元、MiniMax安全性改善

安远AI前沿AI风险监测平台于2026年3月3日发布第二期《前沿AI风险监测报告(2025Q4)》，监测2025年第四季度发布的13个模型（含GPT-5.2、Gemini 3 Pro Preview、Claude Opus 4.5、DeepSeek V3.2、Kimi K2 Thinking、Doubao Seed 1.8、MiniMax M2、HY 2.0 Think等）在网络攻击、生物风险、化学风险和失控四个领域的表现。报告称各领域风险指数在2025年末趋于平稳，未创新高，但模型系列趋势分化：GPT与Claude系列维持低位，DeepSeek系列稳定在高位，Doubao、Hunyuan、MiniMax系列显著下降，Gemini在生物与失控领域、Kimi在网络攻击与失控领域上升。安全分整体显著提升，以Doubao、Hunyuan、MiniMax提升最明显。

安远AI发布2026Q1前沿AI风险监测报告：风险指数升级1.5版，失控风险连续三个季度上升

安远AI前沿AI风险监测平台发布《前沿AI风险监测报告(2026Q1)》，监测全球16家AI公司的70多个前沿模型，并首次采用风险指数1.5版框架，测评基准从29个增加到42个，覆盖网络攻击、生物风险、化学风险、有害操纵和失控五个领域。1.5版新增有害操纵领域，并在失控领域引入Self-Proliferation、MLE-Bench、GDM-Stealth、Agentic-Misalignment、Shutdown-Resistance、DarkBench等测评，在网络攻击、生物、化学领域加入Fortress和ISC-Bench等红队攻击基准，同时对历史模型回溯重测。报告发现失控领域风险指数连续三个季度上升，累计增幅51%；Gemini系列在失控领域风险指数显著升高，DeepSeek、GLM和MiMo系列在多数领域处于较高风险区间，GPT和Claude系列多数领域维持较低风险区间。

安远AI在WAIC发布前沿AI风险监测平台2.0

安远AI在2026年世界人工智能大会上发布前沿AI风险监测平台2.0，包含风险指数2.0版、2026 Q2风险监测报告和前沿AI风险测评基准数据库三项更新，以及与复旦大学等合作的自主网络渗透评估报告。风险指数2.0把风险指数改为能力分的指数函数，能力分超过能力黄线阈值C0后风险加速增长，并把总安全分拆为基础安全分S1、越狱安全分S2和篡改安全分S3；测评基准新增CVE-Bench、BixBench、FrontierScience和自研FRT红队框架，FRT从2023至2026年的100多种攻击方法中筛选出22种高成功率方法，再为每个模型选取最有效的3种。测评基准数据库收录2023至2026年间200多项基准，并按风险场景关联能力、倾向、护栏三类测评功能点。合作研究对19个前沿模型评估自主网络渗透能力，Tier 1渗透成功率最高69.3%，Tier 2最高68.7%。

安远AI发布2026Q2前沿AI风险监测报告：风险指数不到一年增长数倍，多模型越过风险黄线

安远AI在2026年7月19日的世界人工智能大会上发布前沿AI风险监测平台2.0，包含风险指数2.0版、2026 Q2风险监测报告和前沿AI风险测评基准数据库三项更新。本期报告首次采用风险指数2.0版框架，将能力分对风险指数的影响从线性改为指数关系，把安全分拆分为基础安全分、越狱安全分和篡改安全分，并引入能力黄线与风险黄线，同时首次引入前沿越狱攻击技术。报告覆盖13家AI公司在2025Q3到2026Q2发布的47个前沿模型，包括GPT-5.5、Claude Opus 4.8、Grok 4.3、DeepSeek V4 Pro、Qwen 3.7 Max等。报告向模型开发者、AI安全研究者和政策制定者提出了相应建议。

Concordia AI 发布 2026 Q2 前沿 AI 风险监测报告：多项风险指数一年内上升数倍

Concordia AI 在 2026 年 7 月 19 日的 WAIC 上发布前沿 AI 风险监测平台 v2.0，包含风险指数 v2.0、2026 Q2 风险监测报告和前沿 AI 风险基准数据库。报告覆盖 13 家公司 2025 Q3 至 2026 Q2 发布的 47 个前沿模型，包括 GPT-5.5、Claude Opus 4.8、Grok 4.3、DeepSeek V4 Pro、Qwen 3.7 Max、豆包 Seed 2.1 Pro、混元 3.0 Preview、文心 5.1、MiniMax M3、Kimi K2.6、GLM 5.2 和 MiMo V2.5 Pro。风险指数 v2.0 设能力黄线与风险黄线两条阈值，前者表示无护栏时模型会显著提高严重危害风险，后者表示即使有现有护栏残余风险仍达高风险边界。

FAR.AI 发布 AI Security Leaderboard：四个前沿模型护栏强度相差逾百倍

FAR.AI 发布 AI Security Leaderboard（leaderboard.far.ai），在相同条件下测试四个前沿模型的护栏，并配套提出 Minimal Standard for Safeguards。测试用自动化工具包把越狱技术拆解重组，生成数十万条提示词，覆盖化学、生物、放射、核、爆炸物与网络等风险领域；把在某一领域超过四分之三有害请求上成功的攻击称为通用越狱，并计算攻击者找到它的成本。结果显示，最脆弱的 Grok 4.5 仅需 58 美元即可开发出跨全部测试领域的攻击，网络领域更低至 24 美元，部分越狱组件来自公开论坛和代码仓库；Claude Fable 5 与 GPT-5.6 Sol 未发现通用越狱，估计需花费超过 14000 美元。FAR.AI 称这些数字假设低投入攻击者，具备专业越狱经验者可能找到更多入口，并强调发现的弱点均属已知攻击类别、已有现成防御。

推荐理由FAR.AI 用统一攻击工具包对四个前沿模型做同条件红队测试，并给出可比较的破解成本，为评估护栏强度提供了横向参照。

SentinelLABS 用 fast16 样本评测前沿模型的长周期恶意软件分析能力

SentinelLABS 基于其 2005 年 sabotage implant fast16 的真实调查，构建了一个八阶段逆向工程基准，测试前沿模型能否在证据不断推翻先前结论时维持可信的恶意软件调查。OpenAI 的 GPT-5.6 Sol 是唯一完成全部八阶段的公开可用模型，三个不同推理强度设置的运行均通过基准；GPT-5.5、GLM-5.2 和 Opus 4.x 系列能完成局部分析，但无法贯穿整个梯度。区分完成运行的关键是项目级恢复能力，即撤回被推翻的结论、修复技术产物、更新依赖报告而不丢失调查。最强运行仍犯语义错误、接受薄弱的质量控制并过早宣称就绪，作者认为当前最佳用途是受监督的调查代理，由人类分析师定义目标并保留最终发布权。所有实验共消耗超过 230 亿 token，缓存读取率 93.58%；自托管 GLM-5.2 以 100 美元预算产出 267.41M token。

推荐理由SentinelLABS 用真实恶意软件样本构建八阶段逆向工程基准，给出各前沿模型在长周期调查中的具体失败点与成本数据。

SecureBio 发布 BioTIER 基准，评测 52 个模型的生物安全护栏有效性

SecureBio 发布 BioTIER（Biological Targeted Information for Exclusion and Refusal）基准，通过拒答行为衡量 AI 模型在生物领域安全与可用性之间的平衡。该基准包含 542 条由 15 位博士级专家撰写并经三轮共识验证的提示词，分为灾难规避（CA，249 条）、生物医学两用研究关切（BD，149 条）和良性相关生物学（RB，144 条）三档风险域，并拆分为 BioTIER-refuse 与 BioTIER-permit 两个评测组件。研究覆盖 10 家开发商的 52 个模型，时间跨度从 2022 年到 2026 年。在 BioTIER-permit 上结果较为一致，几乎所有模型都回答了几乎所有良性查询，最低仍有 75%。研究还发现过度拒答多发生在风险边界附近，而非真正良性的生物学问题。

推荐理由BioTIER 用 542 条专家提示词同时测拒答与过度拒答，并给出 52 个模型的安全与可用性权衡结果，可对照自家模型的生物安全护栏。

SecureBio 发布 GPT-5.6 Sol 生物滥用风险预发布测试报告

SecureBio 对 OpenAI 最新旗舰模型 GPT-5.6 Sol 开展生物滥用相关能力的预发布测试，测试期间关闭了 OpenAI 系统级的生物风险内容过滤器。在四项知识基准中的三项上，GPT-5.6 Sol 得分超过此前测试过的所有模型，也高于各基准上的人类专家；在 World-Class Bio 上得分为 68%，比 GPT-5.5 高约 9 个百分点。在智能体基准上，它在 ReproBAIT 中平均复现出原工具 82% 的已发表性能，在蛋白设计工作流 ABLE 的每个愿意尝试的任务上表现最佳，但拒绝了最高层级的规划步骤。关闭护栏的 railfree 版本在 DNA 合成筛查规避任务上取得新高分，能稳定找到一种可绕过商业筛查算法的方法，但实际执行对恶意行为者并不方便；受护栏保护的发布候选版本则直接拒绝该任务。

推荐理由第三方机构在关闭系统级生物风险过滤器后测试 GPT-5.6 Sol，给出各基准分数与护栏拒答率，可对照厂商自评。

SecureBio 评审 Anthropic 未删节化生风险报告：Claude Opus 4.6

SecureBio 与 Anthropic 合作评审了其 2026 年 2 月风险报告的化学与生物（CB）风险章节，Anthropic 提供了未删节版本及 110 页补充材料，并在两个月内回应了七十多个后续问题。SecureBio 认同 Anthropic 的总体结论：Claude Opus 4.6 大幅促成灾难性结果的当前风险，在非新型 CB 武器生产上为“极低但不可忽略”，在新型 CB 武器生产上为“低风险但存在较大不确定性”。评审发现，作为主要 CB 风险护栏的拒答分类器在 SecureBio 的 BioTIER-refuse 基准上拒绝了 94.2% 的危险提示词，但建议随生物技术进展持续更新其训练宪法。评审还审查了用户豁免审查与监控流程，认为威胁行为者借此大幅提升 CB 武器生产的可能性不大但存在。SecureBio 表示此项工作未接受 Anthropic 资助。

推荐理由SecureBio 以外部评审身份复核 Anthropic 未删节报告，给出与厂商结论的异同及三条风险削减建议，可看第三方评审如何落地 RSP 条款。

SecureBio 评测 Kimi K3 生物能力：BCI 142，危险提示拒答率仅 26.9%

SecureBio 对 Moonshot AI 的 Kimi K3 做了生物能力与护栏评测，其 Bio Capabilities Index（BCI）得分为 142，在已评测模型中排第七，相当于闭源前沿约 8.1 个月前的水平。知识基准上，Kimi K3 在 Virology Capabilities Test 得 46.7%、Molecular Biology Capabilities Test 得 58.4%、World Class Biology 得 55.0%、Human Pathogen Capabilities Test 得 58.5%，在 MBCT、WCB、VCT 上取得开源权重模型最高分，HPCT 则落后于 GLM-5.2 的 65.3%。

推荐理由SecureBio 用自建生物能力指数和 BioTIER 护栏评测给出 Kimi K3 与闭源前沿的能力差距和拒答率，可对照开源权重生物风险。

SecureBio 发布 VCT-v2 病毒学能力测试，移除 43 道题并编辑 163 道

SecureBio 更新其旗舰病毒学能力测试 VCT，发布更抗捷径的 VCT-v2，共 279 道题。审计确认多数题目科学有效且基准未饱和，但为提升有效上限，团队用确定性标准标记可疑题目并由病毒学专家人工复核，最终移除 43 道（13.4%）题目（含 25 道无区分度的简单题）、编辑 163 道（50.6%），116 道保持不变。测试模型在 VCT-v2 上的准确率比 VCT 下降 1.0 至 7.1 个百分点，最强与最弱模型间差距基本保持（26.6% 对 26.1%），人类专家基线仍约 21%。标记流程发现 87/322（27.0%）道题可被模型在缺少图片或题干的情况下答对，VCT-v2 显著降低了这类捷径利用。作者估计 VCT-v2 的有效上限不低于 79%，高于 VCT 的 23 个百分点余量，并建议将基准维护作为持续工作、加入捷径抵抗检查。

推荐理由VCT-v2 的审计流程与捷径消融方法，为生物安全评测的维护和防刷分提供了可迁移的做法。

SecureBio 发布 GPT-6 Astra 发布前生物风险评测报告

SecureBio 对 OpenAI 于 2026 年 9 月 3 日公开发布的旗舰模型 GPT-6 Astra 做了发布前生物滥用能力评测，测试了带与不带系统级生物护栏的版本。在知识基准上，Astra 在 VCT 和 VCT-v2 上超过此前所有被测模型，相对 GPT-5.6 Sol 分别提升 4.3 和 8 个百分点，比人类专家基线高 30 多个百分点；HPCT 得分与 GPT-5.6 Sol 接近，WCB 得分为 61.6% ± 0.6%，低约 7 个百分点，报告认为这主要源于模型更倾向于含糊作答而非知识缺口。在智能体基准上，Astra 在 ReproBAIT 达到已发表性能的 80-83%（GPT-5.6 Sol 为 63-69%），是首个能生成满足 in silico 可设计性阈值的 de novo 蛋白质设计的模型；无护栏版本还首次完整给出规避 DNA 合成筛查的复杂策略。

推荐理由第三方机构在发布前对 GPT-6 Astra 做生物滥用能力评测，给出了与上一代模型的逐项对比和拒答率数据。

SecureBio 谈如何评测超越人类水平的生物能力

SecureBio 的 Shiv Muthupandiyan 指出，前沿 AI 模型在生物安全相关能力上已超过人类专家，评测必须从测试代理指标转向测试真实技能，但生物领域无法像国际象棋那样直接对弈，也不能像网络安全那样在真实代码中验证漏洞。文中给出的数据是，前沿模型在 Virology Capabilities Test（VCT）上的准确率在 2024 年初超过专家中位数 22%，在 2026 年超过最佳专家 50%，并在高难度生物学问题上得分是世界级专家的三倍。作者认为，超越人类前沿后分数不再对应可解释的现实能力，而直接测试双重用途生物技能本身就可能制造信息危害。可行的路径是组合可独立验证的窄任务，例如预测蛋白质折叠或抗病毒药物效果、设计无害生物产物，并观察相邻领域的信号，包括 LLM 智能体加速科研带来的能力提升，以及 AI 助长的复杂犯罪和极端暴力案件是否增加。

推荐理由SecureBio 结合自家 VCT 数据说明生物安全评测为何无法照搬国际象棋或网络安全路径，并给出可安全扩展的替代方案。

PlanBench 评测：o1 规划能力大幅提升但仍未饱和

作者用 2022 年发布的 PlanBench 基准评测 OpenAI 的 o1（Strawberry）在规划任务上的表现，发现其成绩相比此前 LLM 有数量级提升并领先同类模型，但远未饱和该基准。文章指出，GPT3 之后众多闭源与开源 LLM 在该基准上的进展一直缓慢，而 OpenAI 称 o1 是专门训练以突破自回归 LLM 常规限制的新型大推理模型（LRM）。作者认为这一提升同时引出准确率、效率与保证等问题，需要在部署此类系统前加以考虑。

PrivEscalate：面向 LLM 自动化 Linux 提权的 531 场景基准与 PrivEscAgent 增强方案

研究者提出 PrivEscalate，一个包含 531 个 Docker 化场景、覆盖 14 个子类别的 Linux 提权大规模基准，并额外派生 329 个参数化变体以测量对环境干扰的敏感性。在三种智能体架构上评测六个 LLM 后发现：模型能力在不同漏洞类别间差异明显，没有单一模型在高发类别上全面领先；提权成功对环境扰动敏感，配置轮换能打断部分利用尝试但无法消除风险；智能体架构会显著改变成功率并重排模型名次，幅度因模型而异。基于这些发现，作者开发 PrivEscAgent，在通用 ReAct 智能体上加入确定性枚举、类别匹配和步骤规划，在不修改底层 LLM 的情况下优于此前的 Linux 提权智能体基线。

CS-Guard：首个面向代码生成安全的 LLM 护栏评测基准

CS-Guard 是首个系统评测代码生成安全护栏的基准，覆盖文本到代码与代码到代码两类场景。文本到代码部分使用 1000 条高质量恶意代码生成提示、7 种越狱攻击，以及新提出的虚构场景攻击（FSA），后者把恶意意图嵌入看似合法的软件开发情境；代码到代码部分包含 331 条提示，涵盖代码填充、代码补全和代码翻译。作者在 7 个 LLM 上评测了 9 种护栏，发现现有护栏对恶意代码生成请求表现不佳：文本到代码在越狱后平均攻击成功率（ASR）对许多护栏约为 50%，代码到代码在基座模型上平均 ASR 接近 100%，应用护栏后仍在 14.4% 到接近 100% 之间；FSA 对许多护栏的 ASR 接近 100%。多轮 FSA 在所选护栏上的 ASR 为 65.0% 到 92.3%。作者按三层分类法组织护栏，并以 CC BY-NC-SA 4.0 许可发布基准与数据。

推荐理由CS-Guard 用 1000 条恶意代码生成提示和 331 条代码到代码样本横评 9 类护栏，给出了各类护栏在代码场景下的失效区间。

自主网络事件响应智能体的网络靶场评估

研究在面向人工操作员训练的网络靶场中测试自主网络入侵响应智能体，靶场包含可变网络拓扑、红队模拟和模拟用户智能体，告警由 SIEM 平台生成并映射为智能体使用的数据建模语言。测试对比启发式智能体与强化学习策略，后者借助网络攻击模拟器优化综合成本。结果显示强化学习智能体整体防御效率高于启发式策略，且性能高度依赖对手策略与模拟用户的组合。

AgentCyberRange：复旦团队发布真实网络靶场自主攻击能力基准

复旦大学团队提出 AgentCyberRange，一个面向前沿 AI 系统自主网络攻击能力的开放多靶场评测基础设施，包含 15 个真实 Web 应用中的 110 个漏洞和 8 个企业式靶场共 156 台内网主机，并配套评测工具链 Cage。评测覆盖 Web 利用与后渗透两个阶段，在统一提示词和预算下测试六个前沿系统。GPT-5.5 搭配 Codex 成功率最高，Web 利用任务 16.1%、后渗透任务 31.7%；给出更具体提示后分别升至 33.0% 和 46.3%。评测中还观察到系统发现基准外漏洞，包括 ComfyUI 中一个任意文件写入零日漏洞，并能变异载荷绕过主机防御。同时系统仍不可靠：常漏掉隐藏攻击面、多次运行结果波动大、难以完成长链路后渗透，并在防御压力下触发蜜罐和告警日志。

推荐理由该基准把网页利用与后渗透串成端到端链路，并给出六个前沿系统的实测成功率，可供评估自主网络攻击能力时参考。

SciRisk-Bench：面向 AI4Science 安全的风险维度感知基准

作者提出 SciRisk-Bench，一个从显式风险维度和科学学科两个角度评测 AI4Science 安全的基准，覆盖 7 个学科、31 个子学科和 10 个风险维度。研究指出，现有 AI4Science 安全数据集虽覆盖若干学科和任务形式，但底层风险维度界定不足。实验部分对主流 LLM 和面向科学的 LLM 按风险维度、学科和子学科进行评测，用于细粒度诊断科学模型在哪些方面仍不安全。论文编号 arXiv:2606.18936，属 cs.AI 与 cs.CY 方向。

ForesightSafety-VLA：面向视觉-语言-动作模型的统一诊断安全基准

研究者提出 ForesightSafety-VLA，一个以安全为首要评测目标的视觉-语言-动作（VLA）模型诊断基准。该基准定义覆盖物理交互安全（Safe-Core）、指令侧安全（Safe-Lang）与感知侧安全（Safe-Vis）的 13 类安全分类体系，并在场景结构、语言指令和视觉观测三个受控维度下评测策略，以便定位失败来源而非只给出单一聚合分数。除二元任务成功外，它还通过累计安全成本（CC）和风险暴露时间（RET）衡量过程级风险，并对安全/不安全的成功与失败做四象限分解。