Artificial Analysis 宣布 Cyber Index 新增 trusted-access 模型类别，首个加入的是仅通过 OpenAI Daybreak 计划访问的 GPT-6 Sol (Daybreak Blue, max)。

The DecoderAI 评分7575

Mistral Large 4 发布：万亿参数的欧洲开源模型主打安全任务

Mistral 发布 Mistral Large 4（ML4，代号 le Chonk），一万亿参数（49B 激活），在自有欧洲数据中心训练，现已通过 Mistral Studio 提供 API 预览，模型权重预计 10 月底发布。

Google 宣布 Gemini 4 Argon 正通过 Fairwind Program 向首批网络安全防御者开放，供其使用前沿级网络安全防御能力。Google 表示将继续收集早期测试者反馈、迭代护栏，随后尽快向开发者、企业和消费者推出 Argon。

Google 发布新前沿模型 Gemini 4 Argon，即日起向网络安全防御者（cyber defenders）开放，并将尽快更广泛推出。Argon 介绍期定价为输入 $2、输出 $10。

Google DeepMind精选AI 评分7878

Google DeepMind 发布 Gemini 4 Argon 前沿模型

Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御者开放，随后将逐步面向开发者、企业和消费者推出，起步价为每百万输入 token 2 美元、每百万输出 token 10 美元。

Google DeepMind精选AI 评分7171

Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质嵌入可验证水印

Google DeepMind 推出 SynthID Bio，将水印技术引入合成生物学，把不可感知的签名直接嵌入生物代码，使其在数字模型和合成出的实体蛋白质上均可验证，同时保持生物功能。

OpenAI 表示 GPT-6.1 Sol 在其对齐评测中相比 GPT-6 Sol 有明显改进，表现更接近 GPT-6 Astra。官方称它对自身局限更透明，在尊重用户意图和安全约束方面也更可靠。

OpenAI 发布 GPT-6 Astra 安全概览

OpenAI 发布 GPT-6 Astra 安全概览，称其是已广泛部署的最强模型，也是首个在 Preparedness Framework 下达到网络安全能力 Critical 级别的模型。

Google DeepMind精选AI 评分7474

Google DeepMind 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber

Google DeepMind 发布 Gemini 3.8，包含通用模型 Gemini 3.8 Flash 和网络安全模型 Gemini 3.8 Flash Cyber，定价与 3.7 Flash 相同，为每百万输入 token 0.75 美元、每百万输出 token 3.75 美元。

Sundar Pichai 表示 3.8 Flash Cyber 在真实 Chrome 安全漏洞的评估中，产出的正确补丁数量是更大模型的 2.6 倍。基于这一能力，Google 正通过 Fairwind 项目向政府机构与网络安全合作伙伴开放访问，更多信息见 blog.google/innovation-and-a…。

Google 推出 Gemini 3.8 Flash Cyber，称其为目前最强的网络安全模型，在大规模发现与修补漏洞上达到前沿水平，同时保持 Flash 级速度与定价。该模型在 CyberGym 行业基准上取得 86.2%，在 CWE-Bench 修补任务上取得 47.2%；作者称其内部基准显示在 20 种编程语言上的漏洞发现成功率超过 70%。

LatchBio 评测了 Grok 在生物安全监控和对抗性生物任务上的表现，结果称 Grok 4.6 能正确识别并拒绝危险查询，包括经过恶意混淆的生物任务，同时仍可回答有益的科学查询。相关结果在 x.ai 的一篇博客中讨论，链接为 x.ai/news/biosafety-at-the-f…。

OpenAI 称 Astra 成为首个触及关键网络安全能力阈值的模型

OpenAI 表示 Astra 是其首个在 Preparedness Framework 下达到关键网络安全能力阈值的模型，因此发布时配备了更强的安全防护措施。

OpenAI 发布网络安全专用模型 GPT-5.6-Cyber，通过 Daybreak Red 开放

OpenAI 发布网络安全专用模型 GPT-5.6-Cyber，通过 Daybreak Red 提供，用于授权漏洞研究、漏洞利用验证和安全测试。

Mistral AI精选AI 评分6262

Mistral AI 发布 Shieldstral：3B 开源多模态安全分类器

Mistral AI 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，将内容审核建模为策略自适应的二分类问答任务，在推理时接受自然语言策略，无需重新训练即可统一文本与图像安全评估。官方称其在文本安全上可匹敌 3B 的 3B 上下的 7 个……

Gemini 推出 3 款新模型：3.6 Flash 更快、更便宜且编码能力更强；3.5 Flash-Lite 是该系列最快模型，达 350 tokens/s；3.5 Flash Cyber 可自主发现并修复安全漏洞。三款模型已在 AIS 和 API 中提供。

Google DeepMind精选AI 评分7171

Google DeepMind 发布 Gemini 3.5 Flash Cyber 网络安全模型

Google DeepMind 发布 Gemini 3.5 Flash Cyber，一个基于 3.5 Flash 微调的轻量网络安全模型，用于快速发现、验证和修补漏洞。

OpenAI GPT-Red：用自博弈解锁鲁棒性自我改进

OpenAI 推出自动化红队系统 GPT-Red，通过自博弈提升 AI 安全、对齐与提示词注入鲁棒性。该系统面向红队测试场景，用于自动发现模型弱点并驱动鲁棒性自我改进。

OpenAI 预告下一代模型 GPT-5.6 Sol

OpenAI 预告下一代模型 GPT-5.6 Sol，在编码、科学和网络安全方面具备更强能力。该模型同时搭配 OpenAI 目前最先进的安全栈。

OpenAI 以 GPT-5.5 和 GPT-5.5-Cyber 扩展网络安全可信访问

OpenAI 扩展 Trusted Access for Cyber 计划，新增 GPT-5.5 和 GPT-5.5-Cyber，帮助经过验证的防御方加速漏洞研究并保护关键基础设施。

Hugging Face BlogAI 评分5050

Hugging Face 推出 AprielGuard：面向现代 LLM 系统的 8B 安全护栏模型

Hugging Face 发布 8B 参数安全护栏模型 AprielGuard，可检测 16 类安全风险及提示注入、越狱、思维链污染、记忆投毒、多智能体攻击等对抗攻击，并覆盖工具调用与推理轨迹等智能体工作流。模型提供推理与非推理两种模式，兼顾可解释分类与低延迟生产部署。训练数据由 Mixtral-8x7B 等合成生成，并借助 NVIDIA NeMo Curator 构建多轮对话攻击数据集。

Google DeepMind精选AI 评分6060

Google DeepMind 发布 Gemma Scope 2，为 Gemma 3 全系列提供开源可解释性工具

Google DeepMind 发布 Gemma Scope 2，一套覆盖 Gemma 3 全系列（270M 到 27B 参数）的开源可解释性工具，结合稀疏自编码器（SAEs）和 transcoders 查看模型内部计算。

OpenAI 更新 GPT-5 系统卡，纳入 GPT-5.2

OpenAI 发布 GPT-5 系统卡更新，将 GPT-5.2 纳入 GPT-5 系列，成为该系列最新模型家族。GPT-5.2 的综合安全缓解方案与 GPT-5 系统卡、GPT-5.1 系统卡中描述的基本一致。与 OpenAI 其他模型一样，GPT-5.2 的训练数据包括互联网公开信息、通过第三方合作获取的信息，以及用户或人类训练师与研究人员提供或生成的信息。

GPT-5.1-Codex-Max 系统卡发布

OpenAI 发布 GPT-5.1-Codex-Max 系统卡，详述该模型的安全措施。模型层面包括针对有害任务和提示词注入的专项安全训练，产品层面则涵盖智能体沙箱与可配置网络访问。

OpenAI 发布 GPT-5.1 Instant 与 GPT-5.1 Thinking 系统卡附录

OpenAI 发布 GPT-5 系统卡附录，给出 GPT-5.1 Instant 和 GPT-5.1 Thinking 的更新安全指标。附录还新增了针对心理健康与情感依赖的评估。

OpenAI 发布 gpt-oss-safeguard 技术报告

OpenAI 发布 gpt-oss-safeguard 技术报告，介绍 gpt-oss-safeguard-120b 和 gpt-oss-safeguard-20b 两个开放权重推理模型。二者基于 gpt-oss 模型后训练，能依据给定策略进行推理并对内容打标，报告同时给出以原 gpt-oss 模型为基线的安全评估结果。

OpenAI 发布 gpt-oss-safeguard 开放权重安全分类推理模型

OpenAI 发布 gpt-oss-safeguard，这是一组用于安全分类的开放权重推理模型。开发者可以应用并迭代自定义策略。

OpenAI 发布 GPT-5 系统卡增补：敏感对话处理

OpenAI 发布 GPT-5 系统卡增补，说明 GPT-5 在处理敏感对话方面的改进。增补引入了情绪依赖、心理健康和越狱抵抗方面的新基准。

OpenAI 发布 ChatGPT agent 系统卡

OpenAI 发布 ChatGPT agent 系统卡，介绍这一智能体模型将研究、浏览器自动化和代码工具整合在一起。系统卡还说明该模型在 Preparedness Framework 下配备了相应防护措施。

OpenAI 回滚 GPT-4o 更新：因过度迎合用户

OpenAI 已回滚上周在 ChatGPT 中推送的 GPT-4o 更新，用户现在使用的是行为更平衡的早期版本。被移除的更新表现为过度奉承或迎合，常被描述为 sycophantic。

OpenAI 发布 o3-mini 系统卡

OpenAI 发布 o3-mini 系统卡，说明该模型在发布前开展的安全工作，包括安全评估、外部红队测试和 Preparedness Framework 评测。

OpenAI 发布 Sora 系统卡

OpenAI 发布 Sora 系统卡，介绍其视频生成模型 Sora 支持文本、图像和视频输入并生成新视频。Sora 基于 DALL-E 和 GPT 模型的经验构建，旨在为叙事和创意表达提供更丰富的工具。

OpenAI 发布 o1 与 o1-mini 系统卡

OpenAI 发布 o1 与 o1-mini 的系统卡，说明模型发布前开展的安全工作，包括外部红队测试和依据 Preparedness Framework 进行的前沿风险评估。

Hugging Face Blog精选AI 评分6262

Google 发布 Gemma 2 2B、ShieldGemma 与 Gemma Scope

Google 在 Gemma 2 发布一个月后扩充模型家族，新增 2.6B 参数的 Gemma 2 2B（含 base 与指令微调版）、安全分类器系列 ShieldGemma 以及覆盖 Gemma 2 2B 和 9B 每一层的稀疏自编码器套件 Gemma Scope。

OpenAI 用对齐研究让语言模型更好遵循指令

OpenAI 训练出比 GPT-3 更能遵循用户意图的语言模型，同时更真实、毒性更低，所用技术来自其对齐研究。这些名为 InstructGPT 的模型采用人类参与训练的方式，现已作为 OpenAI API 的默认语言模型部署。

OpenAI 开源 RL-Teacher：通过人类反馈训练 AI

OpenAI 开源了 RL-Teacher，一个通过偶尔的人类反馈而非手工设计奖励函数来训练 AI 的接口实现。该技术旨在推进安全 AI 系统，也适用于奖励难以明确指定的强化学习问题。