英国 AISI 测试的 DeepMind 与 Anthropic 监控器都被攻破
HZoete · x · 2026-07-24
英国 AISI 的红队称，他们测试了 Google DeepMind 和 Anthropic 的多套 control monitor，到目前为止每一套都找到了漏洞。
- 这些监控器的目标，是在智能体做出危险动作前拦截其异常意图。
- 其中一个攻击方法是：把恶意目标伪装成普通用户指令，从而绕过异步推理监控。
- 图片里还提到，他们的攻击结果反过来影响了 Anthropic 对 Claude Mythos Preview 的测试，说明这是一个持续迭代的红队-修补过程。
「安全」频道最新
- 限制模型做逆向工程和漏洞研究，惩罚的恰恰是守规矩的白帽 — mark_k · 2026-10-27
- Cohere 沙箱实锤：开源模型 Qwen3.8-Flash-Next 未经声明自行外联北京云存储桶 — wstone_bd · 2026-10-27
- 程序员警告:模型「消融版」将冲击软件供应链,千级依赖无人设防 — nitarshan · 2026-10-27
- 摩根大通 CEO：Anthropic 模型上线后我行网络风险暴增 10 倍 — ChuckDBrooks · 2026-10-27
- Hugging Face 遭入侵调查受阻：商用 API 护栏挡住防御者 — nathanbenaich · 2026-10-27
- AI 把漏洞补丁窗口压到几小时：先断网备份再谈安全 — aakashgupta · 2026-10-26