HORIZON 日报

Anthropic 正式推出了 Project Glasswing 网络安全计划，部署其未发布的强大模型 Claude Mythos Preview 来识别关键的零日漏洞。通过与 AWS、Apple、Google、Microsoft、NVIDIA 和摩根大通等主要机构合作，该项目在短短几周内已在操作系统和浏览器中发现了数千个高危漏洞。Anthropic 承诺提供高达 1 亿美元的模型使用额度，并向开源安全组织直接捐赠 400 万美元以支持这些防御工作。 这一举措代表了战略转变，即将先进的 AI 能力用于防御而非攻击，旨在让安全团队在 AI 驱动的网络攻击时代获得持久的优势。通过将强大的 Claude Mythos Preview 模型仅限受信任的联盟访问，Anthropic 在降低该技术被恶意行为者利用风险的同时，加速了关键基础设施的补丁修复。该模型的成功表明，漏洞发现与利用构建之间的差距正在缩小，这就需要更快的自动化防御机制。最终，这可能会重新定义主动软件安全的行业标准，并建立网络安全领域公私合作的新范式。 Project Glasswing 的核心引擎是 Claude Mythos Preview，这是一个受限的研究预览版模型，以其在计算机安全任务和自主编码方面的显著能力而闻名。虽然该模型能够跨主要操作系统和浏览器自动识别零日漏洞并构建可用的利用代码，但出于安全考虑，目前不计划向公众全面开放。Anthropic 计划在 90 天内公布阶段性成果，在公开已发现和修复的漏洞信息的同时，避免将模型的全部能力暴露给潜在的攻击者。

关键加密工具 VeraCrypt 的维护者报告称，其 SourceForge 账号在毫无解释的情况下被封禁，导致无法发布更新。这一事件与 WireGuard 创始人 Jason Donenfeld 目前面临的困境如出一辙，他也在未收到任何预警的情况下被锁在项目页面之外。两个团队现在都不得不进入长达 60 天的申诉流程，且无法立即联系到人工支持或发布紧急补丁。 这一情况凸显了开源生态系统中的一个关键单点故障，即主要安全工具依赖中心化平台进行分发。如果今天发现了一个像远程代码执行（RCE）这样的严重漏洞，这些项目将无法向用户分发修复程序，使系统暴露在活跃的攻击之下。缺乏紧急覆盖机制或与 SourceForge 等平台所有者（现属微软）的直接沟通渠道，构成了严重的供应链风险。这强调了依赖第三方托管服务的脆弱性，因为这些服务可以在不发出通知的情况下任意封禁账号。 受影响的维护者描述称，封禁前完全没有收到任何通知，迫使他们进入标准化的 60 天申诉流程，这对于安全紧急情况来说过于缓慢。社区成员指出，联系该平台需要媒体关注或个人关系，因为自动化聊天机器人无法解决此类关键的账号锁定问题。这一问题呼应了 SourceForge 过去的争议，包括之前与 LibreOffice 发生的事件以及该平台捆绑广告软件的历史，这些都损害了其在开发者中的声誉。

Zhipu AI's GLM-5.1 model has officially launched on Huawei Cloud, enabling immediate access through multiple cloud products.

本次更新发布了 MemSearch v0.2.3 和 Claude Code 插件 v0.3.4，重点修复了 OpenAI 兼容端点的浮点编码格式强制设置及紧凑提示模板的验证逻辑。平台稳定性得到提升，包括修复了 macOS 插件钩子的便携式 stdin 超时问题，并通过消除冗余系统调用优化了文件索引性能。此外，测试覆盖率显著增加，全面覆盖了 CLI 帮助输出、提示文件处理以及分块器回滚行为。

该仓库在一天内密集发布了六个 Rust 实现的 Alpha 版本（从 rust-v0.119.0-alpha.17 到 alpha.23）。提供的发布日志仅包含时间戳和版本标签，未列出任何具体的功能新增、修复或破坏性变更。因此，在查看具体的提交差异之前，无法确定这些更新的实质内容。建议关注此项目的开发者将这些版本视为迭代构建验证或内部测试里程碑，而非稳定的功能更新。

该仓库接连发布了两个补丁版本 v2.1.96 和 v2.1.97。提供的发布说明中未明确列出任何新功能、错误修复或破坏性变更。由于缺乏详细的变更日志，目前尚不清楚具体进行了哪些内部修改。建议开发者在决定是否升级前，持续关注官方文档或完整的发布说明，以确认是否存在稳定性改进或细微修复。

谷歌发布了 LiteRT-LM，这是一个专为在边缘设备上运行 Gemma 4 等大语言模型而优化的生产级框架。此次更新引入了对代理工作流、多模态输入的原生支持，并实现了跨 Linux、macOS、Windows 和树莓派的部署。该框架利用先进的 GPU 和 NPU 加速技术，直接在消费级硬件上提供低延迟推理。 该框架解决了在无云连接情况下将强大 AI 模型部署到资源受限设备上的关键挑战。通过启用端侧处理，它显著提升了用户隐私并降低了实时应用的延迟。其集成到 Chrome 和 Pixel Watch 等主要谷歌产品中，验证了其大规模采用的可扩展性和可靠性。此外，对 Llama 和 Qwen 等开放模型的官方支持扩大了其在谷歌生态系统之外的实用性。 LiteRT-LM 作为下一代运行时继承了 TensorFlow Lite，提供高达 1.4 倍的跨平台 GPU 性能提升。它支持用于复杂代理任务的功能调用，并能同时处理文本、视觉和音频输入。开发人员可以使用提供的 CLI 工具轻松部署模型，或将其集成到 Android、iOS 和 Web 应用程序中。

本条目强调 pandas 是 Python 中用于数据操作和分析的权威开源工具。它提供了标记数据结构和统计函数，简化了 AI 工程师的预处理工作流程。该库继续作为高效处理关系型数据的行业标准。 Pandas 填补了连接原始数据源与机器学习模型的关键空白，提供了类似于 R 的直观数据框。其灵活性使工程师能够在不离开 Python 生态系统的情况下执行复杂的清洗、聚合和转换任务。如果没有 pandas，大多数 AI 项目的数据准备阶段将更加繁琐且容易出错。对于任何从事数据科学或机器学习的专业人士来说，它仍然是不可或缺的工具。 该库具有高性能的标记数据结构、用于读写各种文件格式的强大工具以及出色的时间序列功能。它与包括 NumPy、Matplotlib 和 Scikit-learn 在内的更广泛的 PyData 堆栈无缝集成。通过 PyPI 或 Conda 安装非常简单，并拥有广泛的文档和庞大的社区支持。

Andrej Karpathy 发布了 llm.c，这是一个完全用原始 C 语言和 CUDA 编写的无依赖大型语言模型训练实现。该项目去除了 PyTorch 等高层框架，直接在 GPU 上暴露 Transformer 模型的基本操作。它作为一个透明的参考，帮助开发者在没有抽象层的情况下理解深度学习的底层机制。 对于需要理解现代框架往往隐藏的性能瓶颈和内存管理的 AI 工程师来说，这个项目至关重要。通过从头实现反向传播和注意力机制，它提供了关于张量如何在硬件上移动和计算的无与伦比的教育清晰度。它弥合了神经网络理论知识与实际系统编程技能之间的差距。最终，它使开发人员能够优化自定义内核或构建具有完全控制权的轻量级推理引擎。 该代码库仅使用标准 C 和 NVIDIA 的 CUDA 扩展实现了 GPT-2 架构，不需要任何外部深度学习库。它包括数据加载、分词、前向传播、反向传播和优化步骤，所有这些都为了最大程度的透明度而手动编写。该项目专为教育目的和性能分析而设计，而非用于生产环境的模型训练。

SageAttention 推出了一种新型量化注意力机制，在语言、图像和视频模型上实现了比 FlashAttention 快 2-5 倍的速度。该优化通过 4/8 位量化显著降低了计算开销，同时保持了端到端的性能指标。 该项目通过提供标准 PyTorch 操作的即插即用替代品，解决了大规模深度学习中注意力计算的关键瓶颈。它在不损失精度的情况下实现了显著的推理和训练加速，使得资源密集型 Transformer 的部署更加高效。其超越 FlashAttention 的能力使其有望成为高性能 AI 基础设施的新标准。 该库支持专为在激进压缩过程中保持注意力精度而设计的 4 位和 8 位量化方案。它可以无缝集成作为 torch.nn.functional.scaled_dot_product_attention 的后端，几乎无需修改代码即可采用。基准测试表明，包括大语言模型和扩散模型在内的各种架构均能获得一致的性能提升。

NVIDIA 发布了基于 Moshi 架构的实时全双工语音到语音模型 PersonaPlex。该模型独特地结合了基于文本的角色提示和基于音频的声音条件，以创建动态对话代理。此次发布包含了官方权重、研究论文以及可用于立即测试的演示基础设施。 该模型解决了多步骤语音管道中常见的延迟和角色一致性挑战。通过支持全双工交互，它允许像人类对话一样自然的打断和重叠说话。开发人员现在可以原型化具有特定角色特征的生产级语音助手，而无需从头训练定制模型。 PersonaPlex 需要 Opus 音频编解码器，并支持通过 Accelerate 库为内存有限的 GPU 进行 CPU 卸载。用户在启动本地服务器之前，必须在 Hugging Face 上接受模型许可证并设置认证令牌。该系统既提供了用于实时交互的 Web UI，也提供了用于 WAV 文件批量评估的离线脚本。