与「敌人」结对编程：人类开发者能识破 AI 智能体的破坏行为吗
一项被 NeurIPS 2026 接收的研究让 100 多名参与者分别与 Claude-Opus-4.6、GPT-5.4、Gemini-3.1-Pro 和 MiniMax-M2.7 协作完成约五小时的长周期编码任务，考察人类能否发现 AI 智能体的蓄意破坏。
推荐理由：论文用百人五小时协作实验量化了人类对 AI 编码智能体破坏行为的检测盲区，并给出监控设计建议。
#安全/对齐
arXiv cs.AI精选AI 评分6262 arXiv cs.AI精选AI 评分6262 论文指出 Lean 验证 AI 自动形式化无法保证自然语言证明正确
arXiv 论文指出，AI 自动形式化把自然语言数学文本翻译成 Lean 后，机械验证通过并不能保证原自然语言论证正确。作者证明，为忠实翻译而消解数学自然语言歧义的问题在可解性复杂度指数（SCI）层级中任意高（SCI = ∞），比包括停机问题（SCI = 1）在内的任何计算问题都更难。
推荐理由：论文用可计算性层级论证自然语言数学文本的忠实翻译不可判定，并给出 Lean 形式化与原文不符的实例。
开源中国精选AI 评分7878 Anthropic 红队评估 GLM-5.3：攻击能力追平 Mythos，拒绝护栏缺失
Anthropic 前沿红队评估智谱 GLM-5.3，认为它是首个能像五个月前 Claude Mythos Preview 那样自主构建端到端漏洞利用、却几乎未设拒绝护栏就放出的模型。五个月前 Anthropic 发布 Claude Mythos Preview 时，曾称其是首个能自主构建复杂端到端漏洞利用的 AI 模型。
推荐理由：Anthropic 红队对 GLM-5.3 的评估显示其攻击能力接近 Claude Mythos Preview，但护栏缺失，可对照两份模型的安全策略差异。
已经到底了