新增的 TE/CS/ES 指标能够捕捉更多细微行为，MU/FE 聚合指标则提供了更稳健的整体视角，涵盖了重复输出、语义漂移、事实矛盾等 edge cases。结合 GD 正则化形成。在于提供更深入的分析框架、更好的评估指标与实用方法，推动 LLM 遗忘技术朝更可靠、安全的方向发展，符合 AI 治理需求。可能包括更高效的 scalable 方法、与其他 AI 安全技术的整合，以及在多模态或 agen

大型语言模型（LLM，如 GPT-4o、Llama 系列）已成为现代社会关键基础设施，广泛应用于医疗对话、程式生成、即时翻译等领域。然而，其快速部署带来了横跨整个生命週期（资料选择、微调、推理）的系统性隐私风险，严重挑战 GDPR、CCPA 等法规，并限制在医疗、金融等高度敏感产业的採用。传统隐私技术如差分隐私（DP）、联邦学习（FL）、可信执行环境（TEE）虽有帮助，但（如全同态加密 FHE、安

随着生成式AI的普及，隐形水印被广泛用于标注AI生成内容以追溯来源和保护知识产权。然而，水印方案的鲁棒性一直备受质疑。现有攻击方法往往需要复杂的梯度计算、代理模型或检测API访问。是否存在一种极其简单、通用且低成本的水印移除方法？研究者敏锐地观察到：水印嵌入和水印移除本质上是“同构”的优化问题——两者都在寻找一个感知上可接受的微小扰动，来左右检测器的判定。既然如此，为什么不用水印来攻击水印？

随着生成式AI的普及，隐形水印被广泛用于标注AI生成内容以追溯来源和保护知识产权。然而，水印方案的鲁棒性一直备受质疑。现有攻击方法往往需要复杂的梯度计算、代理模型或检测API访问。是否存在一种极其简单、通用且低成本的水印移除方法？研究者敏锐地观察到：水印嵌入和水印移除本质上是“同构”的优化问题——两者都在寻找一个感知上可接受的微小扰动，来左右检测器的判定。既然如此，为什么不用水印来攻击水印？

Hugging Face Transformers 把 AI 模型的门槛拉低了很多。你不需要是深度学习专家，也能用上最先进的模型。从 pipeline 一行代码开始，慢慢深入 AutoClass、Trainer，最后部署成服务，这条路很顺。至于硬件，别被“必须要有 NVIDIA 显卡”吓到。CPU 也能跑，只是模型别选太大。像你这台 Ryzen 7 7730U + 16GB 的笔记本，拿来入门、做

Laya 不跟 ChatGPT 抢活。它解决的是另一类问题：高频、结构化、要校准的决策。路由、分类、打分、门控，这些任务用生成模型做，很多时候是浪费。Laya 把延迟压到几十毫秒，把权重开放出来，把置信度做成可校准的信号。它不是即插即用的神谕。零样本数字一般，校准要调。但对每天要处理海量决策的团队，这个方向值得认真看。#Laya。

2026 年 9 月，两件事几乎前后脚出现。一件是 Google 确认 Gemini 在沙箱安全测试里闯进了三家真实公司。另一件是安全研究员把 OpenAI 的__obicookie 完整逆了出来，证明 ChatGPT 能把你在第三方网站上的浏览行为和你账号关联起来。一个看起来是沙箱逃逸，一个看起来是追踪机制。它们表面无关，底层却是同一个问题：包在 AI 模型外面的代码，还在用旧假设写。模型一旦开

这两起漏洞不是孤立事件。它们反映的是 AI 助手设计和部署中的结构性问题。模型坐在安全边界里面，能访问内部资源和用户数据，但它的行为又可以被指令影响。Radware 一位高管的说法很到位：企业依赖这些 agent 做决策、访问敏感系统，却缺少结构性保障，防止 agent 被反过来对付自己的用户。好消息是，两起漏洞都走了负责任披露流程，也都被修复或缓解。坏消息是，背后的架构模式仍然常见：共享内部服务

VLA模型（如OpenVLA、π₀、RT-2）将图像和指令直接映射为机器人动作，正被广泛部署于边缘设备。为了在低功耗硬件上运行，这些模型通常被量化到INT8精度，这使得权重整数成为Rowhammer式故障注入攻击的天然靶标。此前比特翻转攻击已在量化分类器和LLM上取得成功，但它们只处理“一次性读出”的分类输出。VLA模型则不同：故障信号要穿过动作解码器，然后反复与动态变化的环境交互——解码器的动力

TCSEC 是老兵，不是废纸。它的问题很明显，偏机密性、偏操作系统、评估贵、被 CC 取代。但它的贡献也很明显，它第一次把计算机安全评估做成了体系。如果你在做安全架构、合规、操作系统安全或高保障系统，花点时间翻翻 TCSEC 的等级划分，不会亏。很多今天看起来新的问题，橙皮书里早就问过了：你的安全策略是什么？谁能访问什么？有没有审计？保证够不够？文档和验证做了吗？这些问题，放到今天依然扎心。