开源编程 agent OpenCode 平台被入侵,用户 API key 被盗刷
10 月 16 日夜间,攻击者进入 OpenCode 一个待退役的旧系统,拿走了部分用户存在 OpenCode Console 里的 OpenAI、Anthropic、Google API key:约 1.4% 的 Console 用户受影响,有人被刷掉数百到约 1700 美元。Anthropic 和 Google 封禁了他们认为已泄露的 key,OpenAI 则帮受影响用户恢复了访问并退了款;开源 CLI 本体不受影响,官方公开声明仅发在 X,但受影响用户收到了邮件通知(另见 The Hacker News)。OpenCode 把这次事件定性为「大规模蒸馏攻击」,即偷 key 批量抓取模型输出、拿去训练别家模型,但这个说法还没有独立证据支持。最值得记住的细节来自联合创始人 Dax Raad:排查时团队用的前沿模型一读到恶意载荷就触发安全过滤、拒绝分析,直到拿到 OpenAI 的 Daybreak Blue 通道(通过审核的用户可使用更少拒绝防御性安全工作的模型)才顺畅起来。安全过滤分不清攻击者和防御者,这次有了直接拖慢事故响应的实例。
微软安全博客:把企业里的 AI agent 当「内部人」来管
微软 10 月 19 日发文提出,agent 是企业新的 insider:有数据和系统权限、以机器速度行动、可能被操纵或偏离意图,并推出 Guardian Agents 等一组产品,给 agent 做持续风险评分、按风险动态收紧权限(可降权或隔离,不止允许/拒绝两档),可识别包括 Claude Code、GitHub Copilot 在内的 60 种本地 agent。Satya Nadella 的表述值得原文记录:「最值得信任的 agent 系统,不是模型最可信的那个,而是设计上让我们最不需要信任模型的那个。」把零信任架构从员工搬到 agent,正在从安全圈共识变成大厂产品线。(另见 TechCrunch)
Bloomberg:Nscale 与 Anthropic 再谈一笔 450 亿美元算力交易
继 8 月那笔约 450 亿美元的协议后,据 Bloomberg 报道,两家正在谈第二笔同等规模的交易:西弗吉尼亚 Monarch 园区的第二栋楼、460 兆瓦、用 NVIDIA Vera Rubin 芯片,Anthropic 还握有第三栋楼的优先权;知情人提醒谈判未最终敲定,细节可能变化。同一客户在同一园区连下两笔同量级长约,而且双方都在走向 IPO:Nscale 已于 9 月申请在纽交所上市,Anthropic 6 月已向 SEC 秘密递交 S-1 草案,这类合同既是算力采购,也是写进招股书的增长叙事。
MiniMax 发布 M3.1 Flash:主打 agent 成本砍 70%
MiniMax 称新模型推理速度提至近 3 倍、使用成本降 70%,定价每百万 input token 0.15 美元、output 0.60 美元,并承诺后续开放权重;它此前以「Space Bunny」为代号匿名公测(发布前不挂厂商名、在第三方平台上线测试),处理了超过 200 万亿 token。基准选择里有个信号:网络安全被当成卖点之一,漏洞发现基准 CyberGym 拿到 82%。agent 会成倍放大推理用量(NVIDIA 估计多 agent 工作流产生的 token 量最高可达普通对话的 15 倍),单位成本正在成为中国厂商最一致的竞争点。
Jack Clark 对 IMF 演讲:他认为「奇点」已经开始
Anthropic 联合创始人 Jack Clark 在 IMF 曼谷会议上说,AI 已在多个学科同时加速科学发现,举的证据包括 Humanity’s Last Exam 得分从 2025 年 1 月的 8% 涨到 67.7%、FrontierMath 从 2% 到 94%,并给出美国 GDP 2030 年达 44 万亿美元的情景测算。把基准曲线外推到 GDP 应当打折扣,但更值得看的是受众:一位前沿实验室创始人在向财政与宏观机构铺垫,让它们提前把 AI 写进增长模型。
研究:验证码求解器现在「见一两次就学会」
这篇论文把 YOLOv8 检测器和开源视觉语言模型组合起来,只靠截图和模拟键鼠输入(不碰浏览器内部接口)就在 16 类 CAPTCHA 上拿到 85.4% 准确率;关键机制是 VLM 的每个答案自动变成检测器的训练标签,新题型出现一两次就被纳入,检测器被运营方扰动图片打垮后,还能靠 VLM 的标注恢复。论文模拟了一年攻防,防守方每月更新一次,求解器每轮都恢复了。验证码的安全假设是「被拦住的 bot 会一直被拦住」,对会自我标注的求解器,这个假设已经不成立。
Ask HN 热帖:上线了自己看不懂的 AI 代码,怎么办
一条 Ask HN 帖子转述了一位 Meta 工程师在 LinkedIn 上的发言,引来数百条评论:这位工程师说,AI 写码的速度让逐行审查不再可能,自己对系统只剩架构级理解;帖子里的主流回答是设计必须由人定、AI 只负责实现,再用测试兜底验证。和 OpenCode 事件放在同一天看有些讽刺:一边是开发者上线自己没读懂的代码,一边是防御者想读懂恶意代码却被安全过滤拦住。「理解」的单位正在从代码行上移到设计与接口,但相应的责任规范还没跟上。
NVIDIA 与欧洲广播联盟把「主权 AI」框架扩到内容生产
NVIDIA 与 EBU 扩展合作,给欧洲公共广播机构提供部署 AI agent 的参考架构:Nemotron 开源模型、敏感编辑内容本地处理(接 Microsoft 主权云与 Nebius 的欧洲算力),并明确工作负载在哪跑、数据归谁管。对公共媒体来说,卖点在编辑独立性:通过合同约定敏感材料在哪里处理、受谁的司法管辖,尽管技术栈仍跑在合作方的云上。「主权 AI」正从政府口号变成行业采购的具体规格。
研究速递
HexaShell:极简 harness 让 VLM agent 变成机器人控制器
harness 只做一件事:把 agent 的命令翻译成机器人动作;GPT-6-Astra 看三路相机画面、失败后读日志、自己写小工具程序修正,在 RoboDojo 的 42 个任务上拿到 39.7% 成功率,是该基准目前最好成绩,可与专门训练的操作策略相比。失效边界画得很清楚:推挤类任务成功率 92.5%,紧配合插入只有 8.3%,瓶颈出在接触阶段的力控,推理层面反而不是短板。做机器人学习的研究者值得点进去:它实测了「coding agent 能把物理世界控制到什么程度」。
GPT-6-Astra 算不算有了具身智能?
论文用统一协议在 12 个具身基准、8 种真实机器人配置上做了大规模评测,结论是模型「跨过了具身能力的门槛,但还没跨过实用具身智能的门槛」:基准分数强,但真机部署时演示数据的采集成本、执行时间与成功率的取舍都还不实用。对仍在「每个任务单独建模」的机器人团队,这篇给出了通用模型路线目前能走到哪一步的实测坐标。
LiveMACE:用真实金融市场做 agent 的过程级评测
五个前沿模型在真实市场连续运行 30 天,评测不只看收益,还审完整决策轨迹,对工具使用、持久记忆、规则遵循、多 agent 协作分别诊断。核心发现是「结果与能力的落差」:相近的收益可能来自质量完全不同的决策过程,只看收益排行榜会把运气误当能力。做金融类 agent 评测的研究者可以直接借用这套设计。
今日一句话:agent 时代的安全攻防正在向模型周边的配套层集中:存 key 的 console、agent 手里的权限。OpenCode 事故、微软的 Guardian Agents、OpenAI 的 Daybreak Blue,指向的都是同一个地方。