一項新研究發現，自2024年以來，AI的攻擊性網路能力每5.7個月就會翻倍，對AI驅動的網路攻擊引發了緊迫擔憂。

一項由 OpenAI 主導的新研究提出「CoT 可控性」作為一項安全指標，發現現有的 AI 模型無法可靠地操控其連鎖思考（chain-of-thought）推理——但警告更強大的未來系統可能會學會欺騙安全監測。

OpenAI 的研究副總裁 Max Schwarzer 曾主導 GPT-5 與 o3 的後訓練，他宣布離職加入 Anthropic，表示信任那裡的同事，並希望回到個人研究者的角色。

由學生主導的團隊建立了一種演算法，使用 Frobenius 範數來判定二維資料中的方向，可應用於中微子探測、醫學影像與機器學習。

UF的科學家建立了HMNS方法來測試AI的安全措施，成功繞過Meta和Microsoft的系統以識別安全漏洞。

牛津大學的研究發現，AI 聊天機器人提供不一致的醫療建議，使用者因此難以辨別可信的健康資訊。

MIT CSAIL 推出 EnCompass 框架，使 AI 代理能回溯並優化 LLM 的輸出，在程式碼減少 82% 的情況下，準確度提升 15 至 40%。

Discovery Learning 方法使得電池壽命能在一週內快速預測，取代傳統需數月的測試週期。

在一個令人驚訝的進展中，業餘數學家正在利用 AI 聊天機器人來解決由傳奇數學家保羅·埃爾德什提出的複雜且長期未解的數學問題，這表明 AI 的推理能力已取得重大飛躍。

麻省理工學院的研究人員示範了在新的資料環境中，表現最佳的機器學習模型可能會變成表現最差，揭示了醫療人工智慧及其他關鍵應用中來自虛假相關性的潛在風險。

名為 APEX-Agents 的新基準測試顯示，即使是像 GPT-5.2 和 Gemini 3 Flash 這樣的領先 AI 模型，也在來自法律和金融等專業領域的多領域複雜任務中大多表現失敗，令其是否能立即投入職場產生疑問。

反制數位仇恨中心（CCDH）的研究估計，伊隆·馬斯克的Grok AI在約11天內被用來創建約300萬張性化影像，造成嚴重的安全疑慮。

來自OpenAI、Anthropic和Google DeepMind的研究人員以超過90%的成功率繞過了12項已發表的AI防禦措施，暴露出生產系統中的關鍵安全漏洞。