在 Vals AI 的模拟测试中，Deepseek V4.1 Flash 1017 在部分场景中接近领先的闭源模型。结果凸显长时间测试和较低成本的重要性，但不能证明其在真实网络中的表现。
在 Vals CyberOffense 基准测试中，智能体无需人工帮助，便在模拟企业网络中完成目标。GPT-6 Sol Daybreak 在 Nova 中平均完成 15.7/21 个目标，在 Lighthouse 中完成 27/31 个；Deepseek V4.1 Flash 1017 分别完成 16.3/21 和 21/31 个。Vals 报告称，每次运行成本约为 22 美元和 3 美元。
Deepseek 在最初 2500 万个 token 中没有进展，大部分进展发生在超过 1 亿个 token 后。这些是模拟测试结果。另据英国 AI 安全研究所估计，领先开放模型与闭源模型的网络能力差距为四至七个月。
成本较低的开放模型可能让防御测试更易开展，但相同能力也会增加滥用风险。
作为假设性的桌面演练，可在获准的模拟环境中比较攻击测试与防御性漏洞发现。
一起读懂这篇文章。你可以问它意味着什么、为何重要，或如何应用这个想法。
结合你的工作和兴趣，为你解释。
先介绍一下自己，让解释更适合你。
这条进展对你有什么影响？分享实例，或向其他读者提问。
登录后参与讨论开源模型 Bark 能根据单条文本提示生成语音、音乐、笑声和音效。来源称它支持 13 种语言和 100 多种预设音色，但它可能改动文本或加入意外声音。 Bark 每次可生成约 13–14 秒的音频，并采用 MIT 许可证发布。来源称完整模型需要约 12 GB GPU 显存，也提供可在较低显存环境下运行的小型版本。
这条内容对你有用吗？
AutoTrust Labs发布了JEV-27B v1.1，这是一款27B参数模型，输出选项概率而非自由文本。该公司称模型在37项基准测试中得分67.31；它仅支持多选题和是非题。 模型从给定选项中作出选择并返回概率分布。它在工具选择和意图分类方面表现突出，但在开放式推理及部分其他测试中较弱。
这条内容对你有用吗？
一项研究发现，AI模型能够识别智能体日志中的部分不当行为，但提高检出率也会增加对无害行为的误报。结果表明，这类审计员或许更适合估算问题发生的频率，而非用于必须发现每一起事件的安全检查。 Andy Hall使用METR的MALT数据集日志评估了多个模型。在误报率为5%时，GPT-5检出了47起奖励作弊案例中的近98%，Gemini 3.8 Flash则只检出约一半。审计员检出了71%至81%的故意隐藏能力案例，其中大多数是合成案例。
这条内容对你有用吗？
开启讨论。