Anthropic新研究！模型失控率降至7%，对齐数据训练量仅需1/60
该方法旨在解决大语言模型在常规安全微调后泛化能力差的问题，通过在预训练之后、对齐微调之前增加一个训练阶段，即让模型阅读讨论其Model Spec的合成文档，以此来教会模型规范的内容，从而塑造它们如何从后续的演示数据进行泛化，并显著提升模型在陌生情境下的行为可靠性。
OpenAI发布最新里程碑：对齐的本质是「人格」
他们发现，只教AI好好看病，它写代码居然也不作弊了。方法简单到离谱:拿5%的训练数据，教模型在回答健康问题时诚实、谨慎、知错能改。
AI拿婚外情写勒索邮件，查一年告诉我科幻小说教坏的
在Anthropic官方红队测试里，Claude Opus 4对着工程师贴脸开大，直接甩出一封真实勒索邮件。
给AI配音找个懂唇语的裁判
你有没有想过，给一部外语电影配音的时候，最难的到底是什么？很多人以为是翻译得准不准。其实不是。真正头疼的是另一件事：配音演员念出来的那句话，得跟演员的嘴型对得上。嘴巴张得快，你的台词却拖拖拉拉；嘴巴已经闭上了，你的词还在冒。这种违和感，哪怕你听不懂原文，光看画面也能察觉出不对劲。
让大模型学会高维找茬，中国联通新研究解决长文本图像检索痛点
描述得越详细，图文匹配的分数就应该越高——这听起来是常识，但现有的CLIP模型却做不到。而就在最近，中国联通数据科学与人工智能研究院团队在AAAI 2026 上发表了一项最新成果，成功突破了这一局限。
编程助手评测的尺子，可能一直量错了方向
你有没有想过一件事：我们天天在用的编程AI助手，比如IDE里那个能帮你写代码、改bug的智能助手，它们的"考试题"到底长什么样？大部分人可能从没细想过这个问题。但JetBrains的研究团队想了，而且想出了一个挺让人意外的结论。
抖音多媒体质量实验室 EvalMuse 入选 AAAI 2026，定义 T2I 评估新体系
今年，是 AAAI 第四十届年会，将于2026年1月20日—1月27日在新加坡博览中心举办。基于 Evalmuse 举办的 Cvpr Ntire Grand Challenge。
Mythos 对企业安全架构影响的思考
更智能的自动化攻击工具。Claude Mythos 是 Anthropic 于 2026 年 4 月推出的“机构级”前沿模型。
一块GPU，Claude爆肝48小时自我对齐，效率狂飙15000倍
结果，48小时内，仅仅用了1块H200，Claude就成功在欺骗、谄媚、越狱等10类困难任务中，把安全差距从26%一路最高提升至96%!
AI 安全的”开源审计”时代来了
OpenAI 公开了一项颠覆性研究:利用公开数据集 WildChat 就能预测 AI 模型的真实表现，误差率仅比内部数据高 3 倍。