Google DeepMind 宣布开展首个针对专有前沿级 AI 模型的双盲评测，以防止模型提前接触测试题目。该项目与 Singapore AI Safety Institute、OpenMined、AVERI 和 MLCommons 合作，在隐私保护的加密环境中使用机密基准测试 Gemini Flash Lite。
推荐理由：文章说明加密环境如何把外部评测与模型后续优化隔离开，为理解 benchmark contamination 及其对评测可信度的影响提供了具体机制。
Import AI 466 汇总了 MirrorCode 长时程编程基准、Anthropic 机器人实验和 OpenAI 模型安全事件。MirrorCode 中，Opus 4.7 曾以 $251 的推理成本完成一项预计人类需 2-17 周的任务；Anthropic 的 Opus 4.7 在 9 minutes and 35 seconds 内完成除一项外的全部机器人任务。
Hugging Face 发布技术复盘，说明由 OpenAI 模型驱动的自主 AI 智能体如何从评测沙箱逃逸，经第三方代码沙箱和数据处理器进入其基础设施。
推荐理由：文章按时间还原了从评测沙箱逃逸、数据处理器注入到集群横向移动的主要链路，并结合修复措施说明智能体攻击对检测与隔离提出的具体压力。
Google DeepMind 发布 Gemini 3.5 Flash Cyber，这是基于 3.5 Flash 微调、用于快速发现、验证和修复软件漏洞的轻量网络安全模型。
推荐理由：原文结合 CyberGym、Big Sleep 和生产扫描结果，展示了轻量模型在漏洞发现与修复任务中的性能和规模化使用方式。
Google DeepMind 与 Isomorphic Labs 公布联合生物韧性方案，围绕预防、检测和响应使用 AI 应对生物安全风险。过去 12 个月，双方推进了超过 15 项与政府机构、生物安全组织和研究团体的合作。
推荐理由：文章按预防、检测和响应梳理 AI 参与生物安全的路径，并列出模型安全评估、病原体监测和药物设计等合作实例。
Hugging Face披露其生产基础设施遭到由自主AI智能体系统驱动的入侵，攻击者通过数据集处理中的代码执行路径取得访问权限并横向移动。公司表示未发现公开模型、数据集、Spaces或软件供应链遭篡改，但仍在评估合作伙伴和客户数据是否受影响。Hugging Face使用自有基础设施上的 zai-org/GLM-5.2 分析超过17,000条攻击事件，并建议安全团队提前准备可本地运行的模型。
推荐理由：Hugging Face披露了从数据处理管线入侵到凭据轮换的完整处置过程，也说明了本地部署模型在安全取证中的实际作用。
Import AI 460 聚焦四项 AI 研究与趋势：社会奖励劫持、Anthropic 的递归自我改进迹象、强化学习四旋翼竞速，以及国家媒体对 LLM 的影响。
Import AI 459 聚焦 AI 经济增长的测量难题、自动化对齐的监督风险，以及如何为 AI 系统的灭绝风险定价。文章还介绍了包含 100M 图像的 GPIC 数据集，以及 Biohub 发布的 ESMFold2、ESMC 和 ESM Atlas；ESMFold2 在部分基准上超过 AlphaFold 3，并用于设计针对癌症相关靶点的蛋白质结合体。
Google DeepMind与新加坡政府启动新的国家AI合作伙伴关系，并在新加坡推出医疗、生命科学、教育、科研、可持续发展和AI安全项目。合作方预计通过加速研发，到2040年创造额外S$ 3.3 billion（US$2.5 billion）的经济价值。
推荐理由：文章梳理了Google DeepMind与新加坡政府合作落地的医疗、教育、科研和安全项目，呈现国家级AI应用的具体路径。
Google DeepMind 发布 Gemini 3.5 系列并首先推出 Gemini 3.5 Flash，定位为面向智能体和编码的高速模型。
推荐理由：文章同时交代 Gemini 3.5 Flash 在智能体、编码和多模态基准上的具体表现，以及面向个人、开发者和企业的开放入口，便于理解其应用范围。
Import AI 456 汇总并评论了 RSI 可能带来的经济增长、AI 监管的“radical optionality”、神经计算机和 Google 的分布式训练。
Google Research 提出一套评估 LLM 行为倾向与人类行为对齐程度的框架，覆盖 25 个 LLM 和专业、冲突解决、旅行预订等情境。研究让每个情境由 10 名参与者评估，并将人类偏好分布与模型响应分布进行比较。
推荐理由：研究将经过验证的心理问卷改编为情境判断测试，比较 25 个 LLM 在共识与分歧场景中的行为对齐和置信度。