AI 安全日报：Hack-Verifiable TextArena 让奖励作弊可规模化测量，FLAS 在 AxBench 上优于静态引导

Hack-Verifiable TextArena 让游戏环境自动标记作弊事件，无需预先枚举攻击方式即可在语料级检测奖励作弊，所评测的语言模型均出现该行为。FLAS 把激活引导建模为激活空间上的可学习速度场变换，在 AxBench 上优于提示词与静态引导。SafePro 发现医疗、法律、金融等专业任务智能体的安全漏洞未被通用评测覆盖。