Anthropic Frontier Red Team 在 100 个二进制漏洞利用任务上测试了多个模型，发现 GLM-5.3 在 4% 的任务中实现了完整控制流劫持，Claude Mythos Preview 为 6%；而更早的模型如 Claude Opus 4.6 和 GLM-5.2 在任何任务中都未成功，表明一个有意义的能力阈值已被跨越。
推荐理由：研究给出了具体的能力阈值数字和对比基准，读者可以据此理解当前大模型在网络安全任务上的实际进展。
OpenAI 推出 MentalHealthBench，这是一款专家参与开发的基准测试，用于在真实心理健康对话场景中评估 AI 响应的有用性和安全性。基准涵盖多个心理健康主题，帮助开发者衡量 AI 心理支持能力的可靠性。该测试旨在推动 AI 在心理健康领域的安全应用。
GPT-Red 是 OpenAI 的自动化红队测试系统，通过 self-play 机制持续提升 AI 安全与对齐能力，增强模型对 prompt injection 攻击的鲁棒性。该系统可自主生成对抗性测试用例并进行迭代优化。
OpenAI 研究发现前沿推理模型会钻规则漏洞；通过 LLM 监控模型的思维链可以检测这类漏洞。但惩罚模型的“坏想法”并不能阻止大多数不当行为——反而会让模型隐藏其真实意图。