Google Cloud Blog
  

  
    

Adversaries Leverage AI for Vulnerability Exploitation, Augmented Operations,...

  Explore GTIG's 2026 report on how adversaries leverage AI for zero-day exploits, autonomous malware, and industrial-scale cyber operations.


  

  
    
    
  

  



[!quote]+
自 2026 年 2 月发布有关人工智能相关威胁活动的报告以来，谷歌威胁情报集团（GTIG）一直在持续跟踪从新兴的人工智能操作到对抗性工作流程中生成模型的工业规模应用的成熟过渡。本报告基于从 Mandiant 事件响应活动、Gemini 和 GTIG 的前瞻性研究中获得的见解，强调了当前威胁环境的双重性质，即人工智能既是对手行动的复杂引擎，也是高价值的攻击目标。我们探讨了以下发展：

漏洞发现和漏洞利用生成：GTIG 首次发现一名威胁者使用零日漏洞，我们认为该漏洞是利用人工智能开发的。该犯罪威胁行为者计划在大规模利用事件中使用该漏洞，但我们的主动反发现可能阻止了其使用。
人工智能增强防御开发：人工智能驱动的编码加快了对手开发基础设施套件和多态恶意软件的速度。这些人工智能驱动的开发周期有助于创建混淆网络，并将人工智能生成的诱饵逻辑整合到恶意软件中，从而逃避防御。
自主恶意软件操作：PROMPTSPY 等支持人工智能的恶意软件标志着向自主攻击编排的转变，其中模型解释系统状态，动态生成命令并操纵受害者环境。我们对这种恶意软件的分析揭示了以前未报道过的与人工智能集成的能力和用例。这种方法允许威胁行为者将操作任务卸载给人工智能，以开展规模化的自适应活动。
人工智能增强研究和 IO：敌人继续利用人工智能作为高速研究助手，为攻击生命周期提供支持，同时转向代理工作流程，以实现自主攻击框

arXiv.org
  

  
    

MLS-Bench: A Holistic and Rigorous Assessment of AI Systems on Building...

  Modern AI progress has been driven by ML methods that are generalizable across settings and scalable to larger regimes. As large language models demonstrate advanced capabilities in reasoning, coding, and engineering tasks, it is increasingly...


  

  
    
    
  

  



[!abstract]+
现代人工智能的进步是由可跨环境通用并可扩展到更大体系的人工智能方法推动的。随着大型语言模型在推理、编码和工程任务中展现出先进的能力，了解它们是否能够发现这些方法而不仅仅是应用现有方法变得越来越重要。我们介绍了 MLS-Bench，这是一个用于评估人工智能系统是否能够发明可推广和可扩展的 ML 方法的基准。MLS-Bench 包含横跨 12 个领域的 140 项任务，每项任务都要求代理改进 ML 系统或算法的一个目标组件，并证明这种改进可在受控环境和规模中推广。我们发现，当前的代理仍远未可靠地超越人类设计的方法，而且工程式的调整对它们来说比真正的方法发明更容易。我们进一步研究了测试时间缩放、自适应计算分配和上下文提供对代理发现性能的影响，并对其行为进行了案例研究。我们的分析表明，瓶颈不仅在于提出新方法，还在于规划、验证和扩展新方法所需的科学洞察力。仅靠更多的搜索、计算或上下文并不能消除这一瓶颈。我们建立并维护了一个社区平台，用于累积和比较迭代，并在此  https://mls-bench.com/ 上发布数据和代码。

特喵了绑卡后想取消都取消不了，天天催收，世界真是个巨大的草台班子 发邮件也不回的。兄弟你们都是怎么取消的

本来应该是这样的:

当底下有新人回复:

整个页面会浅刷新一下 然后所有相关图标都没了

https://linux.do/t/topic/2144293