近期，人工智能领域发生了一系列重大事件——从发布高性能开源模型，到对流行协议的安全风险发出警告，再到加州通过综合性监管法规。

Ling-1T：训练方式的革命，而非架构的革新

  • 蚂蚁集团推出了拥有千亿参数的巨型开源模型 Ling-1T。
  • 与竞争对手不同，它无需特殊的“思考模式”。其推理能力直接内置于即时响应中，这得益于在包含推理链数据上的密集训练。
  • 在测试中，它在 31 个基准测试中的 22 项超越了 GPT-5 和 Gemini 2.5 Pro，尤其在数学和逻辑推理方面表现突出。
  • 该模型在 MIT 许可下可免费获取，这消除了开源模型与商业模型之间的界限。

 

专家警告：MCP 协议隐藏着严重的安全风险

  • 一项新研究指出，使用模型上下文协议（MCP）的系统面临指数级增长的安全威胁。
  • 问题在于所谓的组合风险：随着每个新增的 MCP 服务器，漏洞呈指数级增长。仅 2 个服务器即意味着 36% 的风险，而 10 个服务器则接近 92%。
  • 攻击者可以利用接收来自不可信来源数据的服务器来执行未经授权的命令，例如运行代码。

加州引领方向：美国首部综合性 AI 监管法规

  • 鉴于联邦法律的缺失，加州通过了四项突破性法规。
  • SB 53要求最高性能模型的开发者公开安全协议。
  • SB 243保护未成年人免受聊天机器人的有害影响。
  • AB 316规定损害责任始终由公司承担，而非自主 AI。
  • AB 853要求清晰标识 AI 生成的内容。
  • 这些法律引发了混合反应；一些公司欢迎它们，而另一些则警告规则碎片化的风险。

科学家发现更高效的路径：更好的提示词取代昂贵的训练

  • 研究团队推出了一种名为GEPA的算法，显著提升了 AI 代理的能力。GEPA 算法通过迭代进化自动优化 AI 代理的提示（prompts）。LLM 分析代理的失败情况，随后修订提示以纠正这些具体错误。通过反复测试并选择性能最佳的提示，该方法比重新训练模型本身更高效地提升性能。
  • 无需费力地对模型进行微调（fine-tuning），而是自动生成并优化指令（提示），基于对代理错误的分析。
  • 该方法取得了优于传统学习的成果，同时计算资源消耗节省了高达 35 倍。
  • 这是针对数据或计算能力受限情况的理想解决方案。

Data Points – DeepLearning.AI 由吴恩达创建 / gnews.cz – GH