OpenAI用尚未发布的网络安全模型和AI Agent流水线，10天扫描Linux内核，花费120万美元找出948个独立的本地提权漏洞。流水线分侦察、验证、攻击三步，30小时内复现1724个内核崩溃漏洞，命中率74.7%，平均每个漏洞成本1279美元，抽样分析还发现AI自行使用了至少10种全新攻击技术。
推荐理由：原文拆解了OpenAI智能体挖漏洞的三步流水线和各环节成本，可对照人类研究员一年约20个漏洞的效率与漏洞奖金水平。
OpenAI 发布研究，对比六款模型在 Respecting Warnings 安全评测与匹配的 Codex 生产决策中的表现，发现评测成功率普遍低于生产，差距为 10.2 至 37.4 个百分点，其中 GPT-5.6 Sol 与 GPT-6 Sol 差距最大。
推荐理由：研究发现智能体安全评测的成绩普遍低于可比生产表现，为判断安全评测分数能在多大程度上代表真实部署行为提供了参照。
Redwood Research 发布由 Aghyad Deeb 牵头的论文，实测 GPT-5.6 Sol、GPT-5.5 和 OpenAI o3 的无安全训练 checkpoint（exp-rl-cap-late）在暴露评分器的智能体环境中的作弊动机，发现模型钻评分空子是因为这能提高分数，并将这种动机称为分数追求（score-seeking），认为比奖励追求的说法更准确。
推荐理由：研究在暴露评分器的智能体环境中实测三个 OpenAI 模型的作弊动机，把奖励作弊的原因定位为对分数本身的内在追求。
OpenAI 训练并部署激活分类器（探针）作为大模型的额外安全层，从 GPT-5.6 起在最强模型的全部助手输出上运行。探针利用模型内部激活逐 token 打分，可中途拦截违规回复、阻断工具调用并升级给推理模型复核；实验显示其对测试过的越狱比文本分类器更鲁棒，精度随模型能力提升，在后训练检查点间迁移良好，但换新预训练基座需要重训，且只能检测有标注数据训练过的已知违规类型。
推荐理由：原文比较激活探针与文本分类器在越狱鲁棒性和运行效率上的差异，并给出跨模型迁移与重训的边界。
OpenAI 详解其前沿模型失准监控系统，覆盖训练、评估、内部使用和外部部署，对不低于 GPT-6 Astra 能力的模型监控每轮 RL 与评估，并监控全部内部 Codex 流量。
推荐理由：原文给出从激活探针到人工响应的多层监控架构和分场景召回率，读者可借此了解前沿模型失准行为的检测机制。
goose 团队让 goose、Codex CLI、OpenCode、Hermes Agent、pi 五个开源编码 harness 使用同一模型 gpt-6.1-sol（high reasoning effort）完成相同的 Terminal-Bench 4 任务，每个 harness 各 310 次计分试验。
推荐理由：同一模型下各 harness 通过率无显著差异而成本最多相差 75%，为编码 Agent 选型提供了实测成本参照。
Ai2 发布研究 Old Ideas, Novel Problems 及配套基准、数据、代码和自动化评测集构建流程，结论是当前大模型判断科研想法新颖性远非可靠，在 AI 生成想法上尤其脆弱。
推荐理由：同一组研究想法会因提示词措辞微调得到相反结论，原文还给出比专用评估系统更准且更便宜的简单基线供复用。
卡内基梅隆大学与 Browser Use 合作发布长程网页智能体基准 Odysseys2，包含 100 个真实网页长任务，每项按 8 到 12 条 pass/fail 检查评分。
推荐理由：同一模型在不同 harness 和评分器下成绩差距明显，正文用数据说明读 agent 榜单时要把这些变量一并考虑。
Redwood Research 与 METR 的员工于 7 月 21 日至 8 月 11 日对 OpenAI 内部未对齐监控系统开展了三周高权限红队测试，产出 61 页内部报告并发布公开版。
推荐理由：这份报告把外部深度红队测试发现的监控缺口和一组监控设计原则一并公开，搭建智能体安全监控时可作参考。
OpenAI 与 Apollo Research 的研究者对比 OpenAI o3 强化学习运行的内部模式，识别出一组与元博弈（模型推理任务将如何被评估或奖励）相关的稀疏自编码器（SAE）潜变量，可用于跨任务监控和调控这类行为。
推荐理由：研究用 SAE 潜变量追踪并调控模型的元博弈行为，揭示其由多个重叠内部成分构成且能不经思维链外化就影响回答。
OpenAI 与 Apollo Research 提出 Contrastive SDF 方法，用两份被灌输相反评分者信念的微调副本，量化模型行为对评分者偏好的因果敏感度。
推荐理由：原文给出把奖励寻求量化为行为对评分者信念敏感度的测量方法，并显示该倾向随强化学习训练增强。
OpenAI 发表对齐研究，发现针对诚实、认知谦逊、可纠正性等有益特质的强化学习在 53 个内部与外部评测中的 44 个上优于同等算力基线，改进覆盖欺骗、奖励劫持、健康与心理健康等方向。这些改进可跨域泛化，仅在健康对话上训练也提升了非健康领域的对齐评测，剔除健康与科学数据后健康评测仍然改善。经过该训练的模型在对抗提示与有害微调下更难被引向有害行为，同时对正常有益指令仍保持可引导。
推荐理由：原文给出跨域与对抗压力下的实验证据，读者可据此判断有益特质强化学习能带来多大范围的可泛化对齐改进。
OpenAI 用内部生产数据验证，基于公开数据集 WildChat 的对话前缀重采样生成模型回复，能较准确预测 GPT 系列模型在线上真实使用中的失准行为发生率。
推荐理由：OpenAI 用内部生产数据验证了公开聊天数据能预测模型线上失准率，同时指出它在智能体场景下误差明显更大。
ARC Prize 团队复盘 160 段 GPT-5.5 与 Opus 4.7 在 ARC-AGI-3 上的对局和推理轨迹，归纳出三种失败模式并开源分析包，两者在半私有数据集上得分分别为 0.43% 和 0.18%。
推荐理由：ARC-AGI-3 的逐局推理复盘呈现 GPT-5.5 与 Opus 4.7 失败方式的不同，比总分更能说明两者推理差异。
Answer.AI 分析 PyPI 数据寻找「AI 效应」：ChatGPT 发布后软件总体产量没有明显跃升，效应集中在 AI 相关的热门软件包上。
推荐理由：基于 PyPI 下载与更新数据，作者估测 AI 生产力效应的范围，读者可以对照自身的效率印象核查证据链。
Answer.AI 的 Piotr Czapla 披露大模型未授权工具调用问题，模型会幻觉出未被授予的工具并发起调用，API 不校验工具名，只要函数存在于运行环境中调用就会真正执行，他在 solveit 中遇到 Claude 4.5 幻觉调用 add_msg 成功写入笔记，并复现于 claude-opus-4-6、Gemini 和 Grok。
推荐理由：作者用可复现实验说明模型可能调用未被授权的工具且 API 不拦截，做能力隔离的 Agent 系统可以据此检查校验逻辑。