AI 资讯 · 2026-08-17

红队模型高危安全任务完成率达到 95%。    作者丨樊天骄    编辑丨郑佳美                                                                                                       昨天，OpenAI 宣布扩展网络安全计划 Daybreak，并推出了一款专门面向网络安全场景的模型 GPT‑5.6‑Cyber。雷峰网值得注意的是，GPT‑5.6‑Cyber 将 AI 网络安全能力划分为两个方向：面向防御工作的 Daybreak Blue（蓝队），以及面向高级安全研究和攻击模拟的 Daybreak Red（红队）。这种 “红蓝攻防体系” 是传统网络安全领域中用于验证系统安全性的核心演练机制。通俗来讲，就是红队模型模拟黑客视角，主动寻找漏洞，帮助安全团队提前发现系统中的薄弱环节；蓝队模型则模拟防御视角，根据红方发现的漏洞进行修复，提升系统抵御攻击的能力。之所以采用这种方式，是 OpenAI 认为，未来网络攻击和防御都将被 AI 重新塑造。攻击者将利用 AI 自动发现漏洞并构建攻击路径时，因

一款 3B 级分类器，可通过统一接口审核文本、图片以及图文混合内容。    作者丨樊天骄    编辑丨郑佳美                                                                                                       2026 年 8 月 4 日，法国大模型厂商 Mistral AI 正式发布 Shieldstral，一款 3B 级规则自适应多模态安全分类器，可通过统一接口审核文本、图片以及图文混合内容。与依赖固定风险标签的传统安全模型不同，Shieldstral 支持在推理阶段通过自然语言输入自定义审核规则，从而根据不同业务场景调整审核标准。它围绕三层设计重构了安全审核流程：将不同审核任务统一为 Yes/No 判断题，通过对比式训练让模型学习具体的规则匹配关系，再将文本理解、视觉理解和规则适应能力整合到同一个轻量级模型中。在多个文本和多模态安全基准上，Shieldstral 甚至取得了接近甚至超过部分参数量更大模型的结果，同时保持较低的部署门槛。因此，本文将从任务建模、训练数据构造、视觉能

雷峰网获悉，近日，一站式物理AI数据服务平台觅蜂科技完成新一轮数亿元融资。本轮由中国电信领投，张江集团跟投，红杉中国、元启创新等老股东超额追加。资金将用于扩大MEgo系列无本体采集产品量产、提升数据采集—治理—评测全栈能力，并加速千万小时级物理交互数据产能落地。成立约半年，觅蜂科技已连续完成多轮融资，投资方涵盖国资平台、头部基金及产业方。进入真实场景采集，定位“懂模型与场景”的数据平台觅蜂科技认为，物理AI要实现高阶推理和物理规律掌握，需依赖大规模、高质量真实交互数据。相比大语言模型，物理AI数据有效信息密度更低、噪声更高，需求更大。MEgo系列已进入真实场景采集公司从采集、治理、评测三端切入：采集端：自研MEgo系列无本体采集产品已量产，并在工厂、物流、超市、家庭、酒店、餐饮、安防、养老、文旅等真实场景部署。产品轻量化，可同步采集环境感知与手部操作数据，轨迹精度达毫米级，实现低成本、规模化采集。同时构建分层数据供给金字塔，覆盖真机遥操等多种类型。治理端：MEgo Engine平台打通预处理、空间重建、多模态标注、质量评测自动化闭环，效率提升10倍以上。自研VIO位姿算法支持人机技能迁

Anthropic has clarified how it's planning to apply invisible watermarks to Claude-generated text in order to comply with Europe's AI transparency rules. On Friday, Anthropic announced that Claude's text marking system is "a version of the SynthID-Text approach" - an open-source watermarking technology developed by Google DeepMind that creates detectable patterns using wording probabilities. This […]

The impact of AI on software development has been both profound and ever-evolving. Last year, I wrote about AMD’s plans to use AI not just for generating new lines of code, but also for other steps in the software development lifecycle (SDLC), such as triaging problems, debugging code, and testing the software. At the time, we were hoping for a 25 percent productivity boost from AI use over the course of two or three years.But with each new release, the capabilities of large language models (LLM

Rare books are incredibly valuable for training LLMs, since these models have already trained on whatever's available online.