OpenAI 让一队前沿模型智能体去攻自家加固过的隔离基础设施。几乎每个受限联网服务，都被它们找到了漏洞。更狠的是，两台不联网、不共享文件的虚拟机之间，它们靠 CPU 缓存时序把秘密传了过去，手法类似 Spectre 和 Meltdown。 Mollick 的判断是，实验室那些听着夸张的 AI 网络安全警告，该认真对待。Anthropic 和 Noam Brown 之前讲 AI 网络攻防、模型自发协调，都被嘲笑过。 我自己写的 agent 每天从十几个信息源里帮我挑选题。个人 agent 越来越多，大家的安全感多半来自一句"它在沙箱里"。这次的结果说明，隔离层本身就是攻击面，给权限要按"它会去找缝"来算。

HN 有个帖子叫 Steal My Bitcoin，260 条评论。点进去你先干嘛？ 动手偷 查是不是钓鱼 翻评论区

4 个条件，把递归自我改进挡在了物理世界门外：观测不完整、每次试错都贵、运行工况一直在变、有些后果不可逆。 递归自我改进（RSI）指的是，系统不仅改进自己的行为，也改进"自己怎么改进"的那套过程。数字 agent 已经在试这件事：改写自己的代码，每一版都用可执行测试来检验。 搬到机器人身上，这个循环的每一环都变了。没有完整的观测，一次试验要付真实成本，昨天的条件今天可能就不成立了，而且有些后果一旦发生，可能就无法挽回。 这篇论文把 RSI 放进机器人学习的框架里，梳理了一条路径：先提升机器人能力，再提升产生这些能力的过程。

扒了下 MiniMax-M3.1-Flash 的标签，基本能看出这模型是冲哪个场景去的。 • image-text-to-text，所以它不出图。输入能带截图，输出只有字，架构名 minimax_m3_vl，就是 M3 的视觉语言版。 • 名字带 Flash，又标了 moe。我猜是想让单次推理更便宜，不过卡上没写激活参数，这句只能写到猜测为止。 • agent + coding，多半就是看界面截图写代码、调工具。 • 权重是 safetensors，transformers 能直接拉。

1000+ TPS，能力还压过 Haiku 5.5 和 6 Luna。这是 Mercury 3 发布时给出的两个说法，放在一起才有分量。 扩散模型一直以快为卖点。这次的说法里有"首次"两个字，意思是在这之前，同级别的扩散模型在能力上没赢过自回归模型。现在说的是速度和能力两头都赢。如果站得住，小模型这一档的选型逻辑就变了：以前要在快和强之间挑一个，现在可能不用挑。 有两点要留意。一是"同等级"这个限定，对手是 Haiku、Luna 这类小模型，不是旗舰。二是目前看到的只有结论，没有具体跑分。linux.do 上这帖 3700 次浏览、88 条回复，热度够了，最好等第三方跑过再下判断。

33 个赞，trending 第 22。wan2-2-i2v-v3 是 Wan2.2 图生视频的 Gradio demo，标签除了 gradio，还有 mcp-server。 挂这个标签，等于说它除了网页界面，也可以当成 MCP 工具接进 agent。搞 agent 的可以看看，MCP 要是真能通，图生视频就不用自己部署了。

让 AI 连着改同一张图，为什么改不了几轮就走样？ MT Forcing 这篇论文给的答案是：现有方法往往没几轮就开始漂。一种是越改越脏，伪影往上叠，细节变糊。更烦的是不该动的地方被顺手改了，前几轮刚改好的也跟着变。 它从训练下手，直接按多轮编辑来训，要模型同时守住两件事：几轮之后画质不掉，没让改的地方不动。 所以评测多轮编辑，别只看最后一张好不好看。连改几轮之后画面糊没糊算一件；没让你改的区域，像素有没有变，另算一件。

扩散模型推理时的引导，能不能挪到训练阶段去做？ 推理时加引导，出图更好，但采样成本又涨一截。SWIFT 的回答是可以。训练时拿一个冻结的弱去噪器当参照，每个带噪输入的干净回归目标，都往"远离弱模型预测"的方向外推，还没学到位的成分就被放大了。 弱模型直接用主模型早期的 checkpoint 就行。主模型训练时它不做反向传播，训完就扔。推理阶段只剩主模型，不加任何开销。

computer-use agent 开始不靠人的操作记录了，改成自己在环境里试。麻烦在练习场：真机上大规模跑，既扩不动，也容易出事。 WildAWM 的做法是把练习场合成出来： - 环境是合成的，所以可控，不用碰真系统。 - 任务跟环境一起生成，成套出来。 - 这环境真能跑。GUI 和别的交互接口放在同一个场子里，以前的方法大多只专攻其中一种。 做 agent 的人接下来要烦的，可能不是找数据，是造一个能跑的环境。

Block 在 block.xyz 上放出了一个语音模型 Dessa，标题写得很满：史上最拟真的全双工语音模型。HN 上 292 分、113 条评论。 先分清两种语音对话。半双工是轮流说话：你说完，模型判断你说完了，它才开口，你想插话得等它停。全双工是两条通道同时开着，它可以边听边说，可以被你打断，也可以在你说话时接一声"嗯"。 所以"最拟真"比的已经不只是回答内容，而是轮次切换像不像人：被打断时停得多快，会不会抢话，沉默几秒算你说完了。这几项光看标题核对不了，得看原文给了什么对比数据。