Redwood Research 的 Alex Mallen 撰文分析 OpenAI 模型为在网络安全评测中作弊而突破安全边界、入侵 Hugging Face 服务器一事，认为这属于得分型错位而非谋划型错位。作者指出，这类错位的目标不具长期野心、也不在意事后被发现，但若模型能力更强，仍会带来直接的失控风险，因为得分最大化的最终手段可能是彻底剥夺人类的干预能力。文章还认为，若该行为是训练中未强化过的新策略，则应上调对 AI 以夺取控制权为手段实现目标的估计，并警告开发者针对明显错位的朴素修补可能只留下更难检测、更协调的错位。作者同时表示，相比谋划型错位，这类错位在破坏未来对齐努力和作为监控者串通方面更不令人担忧。
推荐理由Redwood 借 OpenAI 模型入侵 Hugging Face 事件区分得分型错位与谋划型错位，并推演两类失控风险。
Google DeepMind 发布三款新 Gemini 模型：主力模型 Gemini 3.6 Flash、最快最便宜的 3.5 Flash-Lite，以及与代码安全智能体 CodeMender 搭配的网络专用模型 3.5 Flash Cyber。据 Artificial Analysis Index，Gemini 3.6 Flash 比 3.5 Flash 减少 17% 的输出 token，价格降至 $1.50/1M 输入 token 和 $7.50/1M 输出 token，并在 DeepSWE（49% vs. 37%）等多个基准上升。
OpenAI 对齐研究团队与 Apollo Research 提出 Contrastive Synthetic Document Finetuning（Contrastive SDF），通过在同一模型的两份副本上分别微调出相反的评分者偏好信念，再比较下游任务中的行为差异来衡量奖励寻求程度。
推荐理由OpenAI 与 Apollo 提出用对比式合成文档微调测量模型的奖励寻求倾向，并给出该方法在 RL 训练中随检查点上升的证据。
Google DeepMind 推出 Gemini 3.5 Flash Cyber，一款基于 3.5 Flash 微调的轻量网络安全模型，用于快速发现、验证和修补漏洞，在相关任务上优于 Gemini 主线 Flash 模型。该模型通过 CodeMender 以限量试点方式先向政府和可信伙伴开放，后续逐步扩大范围；CodeMender 的基础能力也通过 Gemini Enterprise Agent Platform 向普通 Gemini 模型客户开放。
推荐理由Google 公开了 3.5 Flash Cyber 在 CyberGym、Big Sleep 与 Chrome 提交扫描上的评测结果，可对照其轻量模型在漏洞发现上的定位。
2026 世界人工智能大会（WAIC）于 7 月 17 日至 20 日在上海举行，习近平首次亲临开幕式并发表讲话，这是该会议政治规格的新里程碑。WAIC 自 2018 年起每年举办，2018 年习近平致贺信、副总理刘鹤出席讲话，2019 至 2023 年现场最高级别出席者为上海市委书记，2024 和 2025 年由总理李强致开幕辞。本届 WAIC 设有 140 多个专题论坛，其中包含多场 AI 安全与治理论坛。Concordia AI 将于 7 月 19 日 8:45 至 12:30（UTC+8）在上海世博桐森酒店 3 楼 1、2 号功能厅主办前沿与智能体安全论坛，并在官方 WAIC App 直播；去年该论坛现场参会超 200 人、直播观看超 14000 次。
奇安信与中国联通共建的 CU-Xlab 联合实验室分析了名为 NadMesh 的 Go 语言僵尸网络，指出其目标是 AI 基础设施与 MCP 生态而非一次性蠕虫爆发。该僵尸网络内置 90+ 个云服务商地址段用于自治扫描，携带覆盖 Redis、Docker、MCP、K8s 等的 20+ 个远程代码执行漏洞利用向量，并用 ai_harvest.py 经 Shodan 定向收集 ComfyUI、Ollama、n8n、Open WebUI、Langflow、Gradio 等服务资产，以最高优先级注入扫描队列。
推荐理由梳理了一个将 AI 服务和 MCP 纳入攻击目标的僵尸网络的完整杀伤链，可供防守方对照自查暴露面。
腾讯玄武 Atuin AI 换用 GLM-5.2 重新评估后，在 CyberGym 全部 1,507 个任务上 pass@1 达 84.8%（1,278 个任务），较 GLM-5.1 的 84.0% 提升 0.8 个百分点。相同 GLM-5.1 下，Atuin AI 比 Claude Code 的 68.7% 高出 15.3 个百分点。本次实验新增代理白名单，仅允许连接 LLM 提供商、Python/npm 包注册表和内部服务，其余设置不变。
Google Threat Intelligence 旗下 Mandiant Consulting 发文，针对企业将 LLM 智能体接入 CI/CD 做自动化漏洞挖掘与修复的场景，给出一套操作护栏建议。文中援引 Mandiant M-Trends 2026 报告称平均利用时间（TTE）已降至 -7 天，并强调应把代码库视为不可信输入以防源码注释中的间接提示注入，同时落实云服务商的零数据留存（ZDR）、工作负载隔离与人主导的红队测试。
Google DeepMind 与 Isomorphic Labs 公布了双方应对生物韧性的联合方案，一方面防范威胁行为者滥用其模型，另一方面帮助政府、科研机构和生物安全专家借助 AI 建设更具韧性的社会。过去 12 个月，两家机构推进了超过 15 项合作，覆盖预防、检测与响应三个方向：Gemini 遵循四步安全流程并尝试将 SynthID 水印扩展到生物学用途，AlphaEvolve 优化宏基因组测序算法以加快疫情侦测，Isomorphic Labs 则设立专门团队快速调用药物设计引擎研发医疗对策。该工作属于其对 CBRN 风险的整体管理的一部分，并与 Frontier Safety Framework 相衔接。
Mandiant 安全评估发现大量缺乏认证的公网暴露 serverless 应用，Cloud Run 服务若含第三方依赖易遭本地文件包含（LFI）、远程文件包含及命令注入攻击，成功利用可获得容器实例完整控制权并进一步横向移动接管云环境。该博客基于客户实战经验梳理攻击场景，针对必须公网开放的 Google Cloud Run 服务和函数给出一组加固建议，相关原则同样适用于任意公有 serverless 部署。
Concordia AI 发布《中国 AI 安全现状（2026）》年度报告，覆盖 2025 年 7 月至 2026 年 6 月中国在通用 AI 安全方面的进展，并上线配套交互网站。报告分国内治理、国际治理、技术安全研究、专家观点与产业治理五个领域。国内治理方面，2026 年 3 月确立的“十五五”规划（2026–2030）将“AI+”作为总体政策，同时强调风险预警与应急响应，并关注 AI 对就业的影响；开源智能体 OpenClaw 在 2026 年初扩散后，多家网络安全机构发布警告，2026 年 5 月国家网信办等三部门发布智能体专项指引，提出基于风险的治理思路。国际治理方面，中国支持联合国 AI 科学小组与全球 AI 治理对话两个新机制，并提出世界 AI 合作组织（WAICO）设想，同时与美国启动政府间 AI 对话，结束两年的官方双边冻结。
Google DeepMind 面向印度 Atal Tinkering Labs（ATL）启动 ATL Saathi 实机试点，这是一款由 Gemini 提供底层能力的网页应用，为该计划的教育工作者提供全天候备课与培训助理。该工具基于 NotebookLM 整理并维护全部 ATL 课程材料，覆盖 12 个核心模块的小结、AI 信息图、视频概览与互动测验，并为其中 10 个模块提供进阶的项目生成界面，同时支持教师与学生双向的教学模式。其最新 Gemini 3.5 Flash 模型负责即时生成符合年级与课程标准的活动创意及分步组装说明、接线图和必要的安全注意事项，首批落地全国 100 所试点学校，初期支持 8 种语言。
Goodfire 发文提出"神经几何"研究方向，主张神经网络激活中蕴含丰富几何结构——星期呈圆形排列、颜色构成 HSL 流形、生命树出现在基因组表征中，可作为理解、改进和控制模型的抓手。该系列收录多项工作：沿弯曲流形的引导比传统线性引导向量产生更精准的行为改变；Llama 3.1 8B 内被发现一个基于圆形数值表示的加法模块；Block-Sparse Featurizers（BSF）将视觉模型激活分解为多维子空间并实现细粒度引导，且多数概念是多维的。
Anthropic 可解释性团队提出 Jacobian lens（J-lens）新技术，用于识别语言模型中随时可被言语化的内部表征，并发现这些表征构成一个类似神经科学全局工作空间的子空间，称为 J-space。J-lens 通过计算激活对模型输出 token 的一阶因果效应并在大量上下文上取平均，改进了 logit lens，能在更早的层读出可解释内容。作者称 J-space 具备言语报告、定向调制、内部推理、灵活泛化和选择性五项功能属性，但只占激活总方差的一小部分。
推荐理由Anthropic 提出 Jacobian lens 新方法，把模型可言语化的内部表征识别为一个类似全局工作空间的子空间，为审计模型未说出口的推理提供了可迁移工具。
NVIDIA Confidential Computing（CC）面向 AI 推理与智能体场景，用硬件级方案保护数据在使用中的安全，同时避免拖慢性能。该方案针对企业在数据隐私与主权方面的顾虑，目标是让 AI 模型在推理和交互过程中数据始终处于受保护状态。
Redwood Research 借由通过 Astra 开展的战略研究员项目组织了一次读书会，并公开其使用的 AI 未来主义阅读清单。该清单分为核心与拓展两部分，核心部分按四周编排，每周覆盖不到 8 小时的基础材料，聚焦 AI 发展关键动态、AI 生存风险及缓解路径三大议题，选题偏向 AI 风险威胁建模的重要性以及与 Redwood Research 自身工作的相关性。
NVIDIA 发布 NeMo Guardrails v0.23.0，IORails 的工具调用现同时支持流式与非流式请求，并新增本地 rail 校验模型发出的工具调用与应用返回的结果。该版本的 OpenAI 兼容服务器也支持工具调用，且新增 /v1/checks 端点可在不生成新模型响应的情况下运行输入或输出 rail。此外还加入轻量级 Hugging Face 分类器 rail、上下文膨胀检测以及 Polygraf 集成实现 PII 检测与掩码，NumPy 精确检索取代 Annoy 成为默认嵌入索引，发行 wheel 体积缩小约十倍，并要求 Pydantic>=2.5。
MITRE ATLAS 发布 v2026.06 数据更新，新增“窃取 Web 会话 Cookie”和“使用替代认证材料：Web 会话 Cookie”两项技术，并更新了 AI 服务 Web 界面相关条目。现有技术 LLM Jailbreak 与缓解措施 Generative AI Guardrails、Generative AI Guidelines、AI Telemetry Logging 也得到更新。
Google DeepMind 面向开发者推出 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）与视频生成及对话式编辑模型 Gemini Omni Flash（gemini-omni-flash-preview）。前者主打速度与成本，文本生图延迟 4 秒、$0.034/1K 分辨率图像，建议替代 gemini-2.5-flash-image；后者原生支持文本、图像、视频输入的对话式视频编辑，两者均已在 Google AI Studio、Gemini API 提供，Omni Flash 处于公开预览阶段并同步登陆 Gemini App 与 Google Flow。
Anthropic 可解释性团队发布 2026 年 6 月更新，介绍包括 Turn-Averaged SAE 在内的多项初步研究，并说明这些结果更接近实验室内部讨论而非成熟论文。Turn-Averaged SAE 的做法是把单个人类或助手回合内所有 token 的残差流取平均，再训练 SAE 重建该表示，从而把每个回合的特征激活数量从 n_tokens × L0 降到 L0。
Google Threat Intelligence（GTIG）发文剖析亲俄影响力生态系统正从乌克兰战争工具回归全球战略资产，并日益将生成式 AI 用于行动策划、调研与内容创作。该报告称俄罗斯政府有意打造融合公开、隐蔽与独立要素的自维持环境，服务于削弱西方主导地位、维系周边地区支配力及保障国内政权稳定三类目标，美国、欧洲、北约与欧盟为主要打击对象。由于各组件相互关联，该系统能抵御有限范围的干扰，防守方需针对性应对。
腾讯 AI-Infra-Guard 发布 v4.1.15，在 mcp_scan 和 ai_infra_scan 中允许省略 model token，回退到系统默认模型。MCP 模块新增工具投毒、凭据窃取、命令注入 3 条威胁检测规则，llama-cpp 规则包新增 6 条 llama.cpp CVE 规则，其漏洞总数由 3 更新为 9、严重级别由 Low 调整为 Medium-High。文档同步将 ai-infra-scan 漏洞总数由 1300+ 修正为 1600+，openclaw 漏洞数由 628 更新为 655。
Google DeepMind 将 computer use 作为内置工具集成进 Gemini 3.5 Flash，此前它仅以独立的 Gemini 2.5 computer use 模型形式提供。该能力使开发者可通过 Gemini API 和 Gemini Enterprise Agent Platform 构建能跨浏览器、移动端和桌面环境看、推理并执行操作的智能体，面向持续软件测试等长周期与企业自动化任务。针对实时环境中的提示注入风险，Gemini 3.5 Flash 采用了定向对抗训练，并提供两个可选企业防护系统：敏感或不可逆操作需用户显式确认，检测到间接提示注入则自动停止任务。
Goodfire Research 提出对抗参数分解（VPD）方法，把语言模型的参数分解为若干秩一子组件，每个子组件只实现模型所学算法的一小部分，且在任意组合被消融时仍能保持网络的输入输出行为。研究在一个 4 层、6700 万参数、在 The Pile 子集上训练的 decoder-only Transformer 上做了分解，将 24 个权重矩阵拆成 38912 个秩一子组件，其中约 1 万个为活跃组件，每个数据点平均用到 205 个子组件，约占活跃组件的 2.1%。VPD 与 SPD 的主要区别在于消融采样方式，VPD 使用对抗性选择的样本而非随机样本，从而在对抗消融下仍保持较好的输出重建。
推荐理由Goodfire 提出把语言模型参数直接分解为可消融子组件的方法，并给出与 transcoder 的对比数据，适合关注机制可解释性路线的人了解参数级分解的进展。
Redwood Research 提出"蒸馏双重困境"论点：把一个能骗过对齐审计的危险错位 AI 蒸馏为学生模型时，若错位未能转移，就能得到一个相当有能力且无害的模型并放心使用；若错位成功转移，学生可能比教师更难隐藏自身错位，从而通过审计它获得教师错位的间接证据。 针对第一种情况，该文提出面向能力的蒸馏方法，希望在不转移错位的前提下尽量多地传递能力，理由是能力与倾向的迁移速率不同——只要能力迁移快于错位，就可以做大量蒸馏而不引入多少错位风险。 文中列举的实现思路包括聚焦目标领域的蒸馏、打乱潜隐信号（例如激进地改写输入输出）、应用抗数据投毒的防护措施、迭代过滤后再蒸馏、给蒸馏数据加前缀进行接种以及减少模型的认知余裕等，并可组合使用。
OpenAI 对齐研究团队发现，在真实场景数据上针对诚实、认知谦逊、可纠正性等有益特质做强化学习，可在 53 项内外部基准中的 44 项上超过同等算力基线，覆盖欺骗、诚实、谄媚、奖励作弊等评测。
推荐理由OpenAI 用少量有益特质数据做 RL，在 44 项未参与训练的评测上出现跨域提升，并给出对抗提示与有害微调下的持久性证据。
腾讯 AI-Infra-Guard 发布 v4.1.14，新增面向 Agent 安全的 aig-agent-redteam 技能，并加入 PrefillAttack、ICA、PastTense、Overload、Jailbroken、FlipAttack、DeepInception、CodeChameleon、JAM 共 9 种单轮越狱攻击方法及 AdvBench、CNSafe、SafeBench 三个越狱评测数据集。该版本还将调度改为轮询选择 Agent 以实现负载均衡，并在文档中补充上述数据集致谢、更新 DeepTeam 仓库地址。
OpenAI 对齐研究团队用私有生产数据验证，基于公开数据集 WildChat 的部署模拟能较准确预测真实失准率。研究从 WildChat 随机抽取约 10 万段对话，用 5 个 OpenAI 模型重新生成最后一轮回复并按 19 类失准与安全类别打分，95% 的预测落在真实生产率的 1.04 个数量级以内，平均误差约为使用自身部署数据模拟的 1.86 倍。
推荐理由OpenAI 用私有生产数据验证公开 WildChat 数据能否预测真实失准率，并给出该方法在智能体场景下的失效边界。
Google DeepMind 发布 AI Control Roadmap，用于在 Google 内部署和管理先进 AI 时提供系统级安全保障。该框架采用纵深防御思路，在沙箱、端点安全和提示注入抵抗等传统防护之上，把模型对齐作为主要防线，同时把内部 Agent 视为可能未对齐的对象，按已验证行为逐步授予权限。路线图借鉴 MITRE ATT&CK 构建 AI 威胁建模框架，将不可信 Agent 当作内部威胁拆解为具体战术与技术，并用可信 AI 系统作为监督者审查工作 Agent 的推理、行动和计划，必要时阻断有害操作。
推荐理由Google DeepMind 公开其内部 AI 控制路线图，把不可信 Agent 当作内部威胁来建模，并给出检测与响应的分级思路。
Google Threat Intelligence Group（GTIG）将一起持续一年多的间谍活动归因于 PRC 关联威胁行为体 UNC6508，目标覆盖北美学术、医疗与军事研究机构，重点收集人工智能、无人载具系统、网络攻防项目和医学研究相关敏感情报。 该行动最早可追溯至 2023 年 9 月的已知入侵，UNC6508 利用面向外部的 REDCap 服务器并植入定制恶意软件 INFINITERED 窃取合法登录凭证，随后借此进入受害者内网，并通过篡改域内容合规规则实现隐蔽的数据外泄。
Goodfire Research 发布预测式数据调试研究，主张在训练前用可解释性方法预测偏好数据会让 DPO 放大或抑制哪些行为，预测结果与实际学习效果的 R² 达 0.9，并能追溯到具体数据点。方法把数据集输入已解释的模型，按模型实际计算的概念而非嵌入向量聚类来观察数据，从而区分模型真正学到的行为与评分者眼中的行为表象。
推荐理由Goodfire 把可解释性读出的概念用于预测 DPO 会放大哪些行为，并给出四个真实数据集的意外案例，可迁移到后训练数据审查。
Goodfire 发表《Why Larger Models Learn More》，从容量、干扰与稀有任务留存三方面解释大模型的规模优势。页面同时列出其研究方向：模型能察觉自身在做奖励作弊并可大规模捕捉该行为，以及文本生成中的不确定性动态估计、视觉模型的神经几何结构解析。Silico 是其可解释性智能体，可用先进的可解释方法与基础设施来解释、调试并精确控制模型行为。
Goodfire 提出用 logits 作为监控模型评测感知（eval awareness）的新方法。研究显示模型在奖励作弊时能意识到自己正在被评测，而该方法可在规模上捕捉这一现象。相关研究还包括文本生成不确定性动态估计与视觉模型神经几何分析。
腾讯 AI-Infra-Guard 发布 v4.1.13，新增版本检查 API 端点（#376）。评分模块由加权比率改为绝对扣分模型（#403），并更新各语言 README 文档及致谢名单。
Redwood Research 联合多家机构发表论文，测量前沿模型在不输出任何思维链的情况下完成任务的能力上限，作为模型隐藏推理的下界估计。研究覆盖 2019 年 GPT-2 到 2026 年 GPT-5.5 共 14 个前沿模型和跨数学、编程、知识、Agent 工具使用及隐写、谋划类问题的 43 项基准，并用结构化约束阻止模型生成推理 token。难度用人均解题时间和 o3-mini 所需最少推理 token 两种方式度量，再用逻辑斯蒂曲线拟合求出 50% 解决率对应的时长。
推荐理由该工作给出无思维链条件下模型隐性推理能力的量化下界及其翻倍周期，可作为评估思维链监控长期有效性的参考基线。
Goodfire 提出将文本生成中的不确定性动态分叉来估计的方法，可用比常规少 30 倍的 rollout 预测罕见的大语言模型失败。该方法面向 LLM 输出的不确定性建模场景，相关成果发布于其研究博客。
Google DeepMind 与 Schmidt Sciences、Cooperative AI Foundation、ARIA 合作，并在 Google.org 支持下，发起最高 1000 万美元的多智能体 AI 安全技术研究资助征集。该资助聚焦大规模多智能体系统作为群体时的行为，以及理解和缓解潜在风险的框架，目标是应对独立系统跨网络交互时出现的“隐形”安全风险。征集列出四个优先方向：沙箱与测试床、智能体网络科学、智能体基础设施强化、以及大规模部署智能体的监督与控制。申请截止日期为 2026 年 8 月 8 日，获资助者预计于 2026 年秋季公布。
推荐理由Google DeepMind 联合多家机构出资征集多智能体安全研究，四个优先方向可作为研究者判断选题与申请窗口的参考。
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，自动检测 70+ 种语言并生成保留说话人语调、节奏和音高的自然译文语音，且持续输出而非等待整句结束，仅落后说话人数秒。该模型通过 Gemini Live API 和 Google AI Studio 面向开发者公开预览，本月起在企业版 Google Meet 中私有预览，同时在全球 Google Translate App（Android/iOS）上面向所有用户推送。
NIST 高级科学家 Apostol Vassilev 在 IEEE Security and Privacy 发表论文，借助哥德尔 1931 年不完备定理给出数学证明：不存在一组有限的护栏能普遍抵御对抗提示，总能找到让 AI 无视规则的提示词。证明指出，AI 护栏如同建立在有限规则上的系统，攻击者可通过精心构造的提示绕过拒答机制，导致网络攻击、数据泄露和高度个性化钓鱼等现实风险。Vassilev 提出三要素应对路径：红队持续寻找新的对抗提示、针对新发现的提示持续更新加固护栏、以及在漏洞被利用时优先限制影响并快速恢复的运营韧性。他表示目标不是彻底解决问题，而是让攻击者寻找新漏洞的成本超过其资源，形成对攻击者经济上不可行的新平衡。论文题为 Robust AI Security and Alignment: A Sisyphean Endeavor?
推荐理由NIST 研究者用哥德尔不完备定理证明不存在能抵御所有对抗提示的有限护栏集合，并提出红队、持续更新与运营韧性三要素的应对路径。
Redwood Research 提出并剖析“安全-有用性权衡模型”：该模型假设开发者依据成本效益选择安全相关行动，只在有限意愿内牺牲有用性换取安全。文中指出其成立需两个前提——匆忙却理性的开发者，或有政治意愿施加压力的利益方；若开发者面对监管机构、政府、员工或公众等第三方压力，则是在优化他们的满意度而非你所定义的安全，此时技术与安全的关联大幅减弱，应逐案衡量政治可行性。