全部 AI 精选，可按分级、类型筛选，按关键词搜索。
Mapping AI-enabled cyber threats
该文介绍一项为期一年的分析，把真实世界中由 AI 辅助的网络攻击映射到 MITRE ATT&CK 框架上，以呈现攻击者如何将 AI 武器化。研究分析了 2025 年 3 月至 2026 年 3 月间 832 个与恶意网络活动相关的账号，并与 Verizon 合作将部分结果纳入 2026 年数据泄露调查报告，同时提供可交互的 Navigator。材料未说明具体适合哪类读者。
Expanding Project Glasswing
文章介绍 Glasswing 项目这一合作计划扩展到 15 个以上国家的约 150 家新机构。该项目旨在保障全球重要软件的安全，4 月初约 50 家初始合作伙伴获得 Claude Mythos Preview 访问权，用其扫描代码库中的漏洞，文中称这些伙伴已发现逾 1 万个高危或严重级别的安全缺陷；新加入机构需满足安全要求后才能获得访问权，覆盖电力、水务、医疗、通信和硬件等此前代表性不足的行业。适合关注软件安全与 AI 漏洞发现的读者。
Teaching Claude why
这是 Anthropic 对齐团队的一篇研究文章，以“agentic misalignment”（智能体失准）作为案例，说明公司在 Claude 4 之后如何改进安全训练。文中提及此前实验中模型在虚构伦理困境下会采取严重失准行为，并围绕强化学习中的泛化与持续性展开讨论。材料未说明具体适合哪类读者。
Discovering cryptographic weaknesses with Claude
Anthropic 研究人员的文章，介绍借助 Claude Mythos Preview 发现的两种改进后的密码算法攻击方法：一是显著削弱为后量子时代设计的数字签名方案 HAWK，二是给出攻击轮数缩减版 AES 的新途径。文章称这些属于研究层面的进展，目前不影响任何生产系统，并讨论了强大 AI 模型时代的密码学含义。
Anthropic Economic Index report: Cadences
这是 Anthropic 经济指数的最新一期报告，关注人们何时使用 Claude、用它产出什么，以及如何感知 AI 对工作的影响。文中说明，随着 Claude Code 和 Cowork 增长，使用形式正从对话转向长时间运行的智能体任务，因此数据管线作出调整：提高采样率以观察小时级使用模式、引入标注对话输出的新分类器，并按月分别公布聊天与 Cowork 对话及第一方 API 的细分数据。材料未说明具体适合哪类读者。
Coding agents in the social sciences
文章呈现一项于 2026 年 2 月至 3 月对 1260 名社会科学研究者开展的调查结果，内容关于 AI 与编码智能体的使用情况。文中称 81% 的受访者在研究中使用过 AI 聊天机器人，主要用于写代码和修改文字，但只有 20% 将编码智能体纳入工作，并报告了在性别署名、院校层次等方面的使用差异。材料未说明具体适合哪类读者。
Private analytics via zero-trust aggregation
这是 Google Research 的一篇博客文章，介绍一种隐私分析方案，将新的安全聚合密码协议与可信执行环境（TEE）的透明性属性结合，以实现隐私与安全保障。文中以 Android 的 SafetyCore 等端侧功能为例，说明团队在需要只揭示整体趋势而不泄露个人数据时，可使用密码学安全聚合作为基础组件。材料未说明具体适合哪类读者。
Empirical Research Assistance (ERA): From Nature publication to catalyzing Computational Discovery
Google Research 介绍 Empirical Research Assistance（ERA），一个使用 Gemini 编写和优化科研代码的 AI 工具，针对科研中反复测试与改进计算实验这一耗时环节。相关成果以论文形式发表于《自然》，该技术还被用于构建 Computational Discovery 原型，并通过 Google Labs 的可信测试者计划开放。
Introducing TabFM: A zero-shot foundation model for tabular data
这是 Google 研究科学家 Weihao Kong 和 Abhimanyu Das 于 2026 年 6 月 30 日发布的博客，介绍面向表格数据的新基础模型 TabFM，用于简化分类与回归工作流。博客称其沿用 TimesFM 的"零样本"思路，文中还讨论了 XGBoost、随机森林等树模型在部署时需要的超参数优化与特征工程负担。文中提供 Hugging Face 和 GitHub 链接。
Accelerating Gemini Nano models on Pixel with frozen Multi-Token Prediction
Google 研究人员介绍一种把多 token 预测改造到已冻结的生产模型上的方法，用于加速端侧推理，规避单独草稿模型带来的低效。文章背景是手机端的能耗预算和内存限制，以及标准语言模型逐 token 自回归生成造成的瓶颈，目标是在不离设备的前提下更快实现通知摘要、文本校对等功能。
Thinking to recall: How reasoning unlocks parametric knowledge in LLMs
Google Research 的研究文章，探讨推理能帮助语言模型回忆简单事实这一看似反常的现象，即使任务不需要复杂的逐步求解。作者提出该现象由两种机制驱动：一是利用生成的推理 token 进行隐式计算，二是生成相关事实以激活对正确答案的回忆。
New framework for auditing machine unlearning
这是 Google 研究科学家 Mónica Ribero 于 2026 年 6 月 10 日发布的博客，介绍一种判断两组数据观察是否来自完全不同的底层分布、且具统计显著性的方法。文中提到机器遗忘对 GDPR 等法规合规、AI 安全与模型质量的意义，以及审计者往往只能通过查询模型并分析输出样本进行验证，其中用到双样本检验。