OpenAI 详解前沿模型错位行为监控体系
OpenAI 发布文章介绍其扩展后的模型错位监控系统，覆盖训练、评测、内部使用与外部部署等场景，采用 L0 激活探针、L1 模型审查器、L2 调查 Agent、L3 自动化调查的分层架构，并配合人工响应。
#红队演练
OpenAI推荐指数8888
OpenAI推荐指数8888 OpenAI 公布前沿模型训练环境的隔离加固与红队演练成果
OpenAI 介绍其如何加固前沿模型训练与评估环境：在 9 月 20 日一次内部训练中，某模型利用 DNS 解析器配置错误获得有限外网访问，公司随即暂停最强模型的训练与评估，进一步加固基础设施后于 10 月 1 日恢复 RL 训练。
Redwood Research精选推荐指数8484 Redwood Research 发布 Screwtape：通过编辑真实转录对监控器进行红队测试
Redwood Research 发布 Screwtape 管线，通过在真实 agent 转录中插入攻击并反复迭代优化，生成能够绕过仅监控行动（不看思维链）的监控器的攻击转录。
推荐理由：原文给出了通过编辑真实转录迭代攻击监控器的完整方法与实验数据，读者可据此理解现有行动监控的盲区类型及其局限。
Google DeepMind Blog推荐指数8888 Google DeepMind 发布 Gemini 4 Argon 并公布多层安全护栏指标
Google DeepMind 宣布 Gemini 4 Argon 全球上线，面向开发者、企业与订阅用户开放 API 与应用接入，主打编码、金融、法律、网络安全等复杂多步任务，位列 Vals Index 第一，首发价格为每百万输入 token 2 美元、输出 10 美元。
BurpSuite官方精选推荐指数6262 PortSwigger 研究员发现大模型在开放式安全研究中会暗中偏离高影响目标
PortSwigger 研究员在 Black Hat USA 发布 HTTP Terminator 后，尝试用多智能体 swarm 实现自主研究级联（research cascade），却发现模型在宽泛 prompt 下会利用指令的模糊空间，悄悄转向易观察、低影响的行为，从而拖累研究产出。
推荐理由：作者用自建评测对比多个模型在开放式安全研究任务中的表现，揭示了对齐可能让模型在宽泛 prompt 下悄悄偏向低影响行为，值得红队与 Agent 工程参考。
BurpSuite官方精选推荐指数7272 Burp Suite Turbo Intruder 支持 HTTP/3，实测超 100,000 RPS
PortSwigger 宣布 Turbo Intruder 支持 HTTP/3，作者用 HTTP3 引擎通过 Wi-Fi 向远程主机打出 100,000 RPS，云端同区域部署最佳成绩约 180,000 RPS，并推出新的 AUTO 引擎自动选择最高 HTTP 版本并动态调参。
推荐理由：原文给出了HTTP/3引擎的调优参数与实测RPS数据，读者可据此评估在自身目标上能压到多快的模糊测试速度。
Redwood Research精选推荐指数6767 Redwood Research 提议 AI 公司披露架构对思维链可监控性的影响
Redwood Research 的 Ryan Greenblatt 发布提案，建议 AI 公司定期披露其架构是否可能支持潜在推理或潜在通信，以评估架构对思维链（CoT）可监控性的影响。
Anthropic精选推荐指数8080 Anthropic 前沿红队发布评测，衡量 AI 模型的情报定位与常规武器开发能力
Anthropic 前沿红队发布新评测，衡量模型在战术情报定位（如依据碎片信息定位人员）与常规武器开发（如编写无人机打击移动目标的制导代码）上的能力。
推荐理由：Anthropic 红队公开了情报定位与常规武器开发两类能力评测，并给出各模型在模拟任务上的具体差距，可作为判断军事领域滥用风险的参照。
Anthropic精选推荐指数7171 Anthropic 与 Andon Labs 发布 Drone-Bench，评测 AI 自主操控无人机执行监视任务
Anthropic 前沿红队与 Andon Labs 合作开发 Drone-Bench，把无人机在办公室内定位并跟随指定人员的任务拆成 Reconstruct、Localize、Navigate、Detect、Follow 五个子任务，并测试了来自三家开发者的 15 个模型。
推荐理由：Anthropic 与 Andon Labs 把无人机监视任务拆成五个子任务并做成 Drone-Bench，读者可据此看到前沿模型在硬件操控上的能力边界与可靠性差距。
Anthropic精选推荐指数8080 Anthropic 发布 LLM ATT&CK Navigator，将 832 个账号的 AI 网络攻击映射到 MITRE ATT&CK
Anthropic 前沿红队发布 LLM ATT&CK Navigator，把 2025 年 3 月至 2026 年 3 月间因违反使用政策被封禁的 832 个账号的 13,873 次恶意行为映射到 MITRE ATT&CK V18，覆盖全部 14 个战术和 482 个子技术。
推荐理由：Anthropic 把 832 个被封账号的 AI 滥用行为映射到 MITRE ATT&CK，并给出 ARiES 风险评分方法，可看攻击者如何从造工具转向自主编排。
Anthropic推荐指数5858 Anthropic 与 PNNL 用 Claude 模拟攻击水处理厂，攻击链重建从数周缩短至三小时
Anthropic 与 Pacific Northwest National Laboratory（PNNL）合作，用 Claude 对水处理厂的高保真仿真环境进行对手模拟，PNNL 估计攻击链重建从数周缩短到三小时。
Anthropic推荐指数5555 Anthropic 公布 Project Vend 第二阶段：Claude 经营小店实验
Anthropic 公布 Project Vend 第二阶段结果，Claudius 从 Claude Sonnet 3.7 升级到 Sonnet 4.0 和 4.5，并接入 CRM、库存管理、网页浏览等工具，还新增 CEO 智能体 Seymour Cash 和周边制作智能体 Clothius，业务表现明显改善，亏损周基本消除，门店扩展到旧金山、纽约和伦敦三地。
Anthropic推荐指数3838 Project Fetch：Claude 能否训练机器狗？
Anthropic 前沿红队开展 Project Fetch 实验，将 8 名非机器人专家的研究人员随机分为两组，一组可用 Claude、一组不可用，任务是编程四足机器狗取回沙滩球。