2026/6/25 · CyberRadar
LLM 智能体长期记忆面临毒化攻击风险。攻击者可通过总结或工具回显等手段清洗恶意来源。TMA-NM 框架引入非延展性信息流控制，在 8 个前沿模型上实现了零成功率防御。该方案通过 TLA+ 模型验证，确保了安全保证的严谨性。它是构建安全长效记忆系统的关键基石。研究结论证明了写时绑定身份的必要性。 [link]
固件重托管是安全分析的痛点。自定义硬件和复杂的架构依赖常需专家介入。FirmCure 利用 LLM 驱动自动化重托管。它通过自适应感知、反射合成及运行时干预，解决初始化难题。在 21 个真实 IoT 固件测试中，它实现了 100% 的网络端口开启率。这显著提升了漏洞挖掘效率，成功复现了多种已知漏洞并发现了新缺陷。 [link]
攻击性 AI 智能体已成为商品化能力，但其自身安全性被长期忽视。该研究对主流攻击代理进行深度分析，揭示了 API 密钥泄露和沙箱逃逸等共性缺陷。作者提出了一套完整的攻击链路。它涵盖了从初始操纵到持久化驻留的全过程。研究给出了从架构层面防御此类攻击的设计原则。这对于保障自动化安全工具的稳健性至关重要。 [link]
在二进制代码不可得的黑盒场景下，传统模糊测试难以获取覆盖率反馈。PowerFuzz 创新性地利用功耗侧信道测量代替插桩。它能够识别代码分支并构建控制流图。实验显示其分支覆盖率接近灰盒测试工具。这种非侵入式方法解决了嵌入式设备验证的难题。它为不透明硬件的安全审计开辟了高效的新路径。 [link]
DDR5 引入了 PRAC 机制来对抗 Rowhammer 攻击，但其安全性一直缺乏形式化验证。AutoPRAC 首次利用模型检查技术自动发现防御设计缺陷。它成功在尖端方案 MOAT 中定位到计数器重置策略漏洞。该漏洞允许数十次攻击激活逃避检测。该工具不仅能发现隐蔽漏洞，还能作为硬件防御设计的早期辅助手段。 [link]
安全智能体依赖 RAG 获取外部知识进行漏洞分析，这给知识毒化留下了可乘之机。Poisoned Playbooks 展示了单条恶意技术博文如何系统性误导智能体执行错误利用。研究定义了 3 级验证边界模型，解释了毒化发生的深层逻辑。它警示我们即便有强力模型，缺乏多源验证的知识检索也会导致严重的行动偏差。 [link]
图像生成越狱技术层出不穷，但评估流程缺乏一致性。PixJail 提出了一个自进化的智能体框架。它能根据论文描述自动构建攻击模块和评估流水线。它成功复现了 11 种代表性方法，误差极低。该框架为公平对比不同越狱方案提供了统一底座。它极大降低了安全评估的人工成本，让研究者能专注于防御策略的开发。 [link]
SRAM 缓存中的敏感数据面临冷启动和物理探测攻击。BipBipCache 在缓存控制器中集成了低延迟可调加密算法。通过精巧的流水线设计，它将加密延迟与命中检测过程重叠。这成功将 6 周期加密延迟转化为 3 周期实际开销。FPGA 实现验证了其高性能与低资源消耗特性。这种实时加密方案有效保障了嵌入式设备的片上数据机密性。 [link]
LLM 生成内容的追踪需要稳健的多比特水印。CORE-BREW 通过恒定命中率嵌入扩展，引入了基于 LLR 的软决策解码机制。它能在严格控制误报率的同时，显著提升对文本编辑和改写的抵抗力。实验证明，该方案在维持语义质量的前提下，比现有基准方案具有更强的区分度和鲁棒性。它是解决 AIGC 版权和溯源问题的有力工具。 [link]
加密 DNS 协议正广泛应用，但其指纹特征仍可能泄露隐私。DoHFuse 针对最新的 DoH/3 流量，利用双分支架构和改进的 DMAG-LSTM 提取时序模式。实验表明即便存在填充机制，网站识别准确率仍高达 88%。这说明现有的隐私保护手段在面对精细化流量分析时依旧脆弱。研究结果为改进 IoT 场景下的加密通信安全提供了重要参考。 [link]
强化学习已经成为大模型训练的核心。 DigenRL 框架通过解耦训练与生成任务，解决了扩散生成模型在资源分配上的瓶颈。它引入生成轴流水线与时间步并行技术，显著减少了计算气泡。在多款主流视觉生成模型上的实验表明，该系统比现有 SOTA 方案提升了 2 倍的吞吐量。它让异构 GPU 集群的高效协作成为可能，为视觉生成模型的工业级落地扫清了障碍。 [link]
罕见病诊断一直是医学界的难题。研究者推出的 RaDaR 是一款专为临床诊断设计的 32 B 推理模型。它通过 15 万例真实与合成案例的强化训练，在诊断准确率上超越了 671 B 的 DeepSeek-R1 。随机对照试验显示， RaDaR 能帮助医生的诊断准确率提升 21 个百分点。这种将模型推理与医学 phenotype 深度绑定的方案，为数据稀缺领域的人工智能开发提供了可复制的范式。 [link]
世界模型是智能体进行预测与规划的基石。 Qwen-AgentWorld 利用 1000 万条交互轨迹，构建了覆盖 7 个领域的语言世界模型。它不仅能模拟复杂的现实环境，还能作为基座模型提升下游智能体的任务表现。评测显示其模拟忠实度远超现有模型。这种将环境模拟与策略训练统一的思路，为实现具备通用能力的决策智能体开辟了新路径。 [link]
深度学习的进阶往往取决于底层系统工程。 BluTrain 完全基于 C++ 与原生 CUDA 架构，从零实现了张量模块、分布式执行与编译器。在训练 1.24 亿参数的 GPT-2 模型时，其吞吐量超越了行业标准 PyTorch 。同时，它将显存占用降低了 22% 且严格保持了数值精度。这种放弃高层封装、追求极致硬件控制力的工具，为追求极限性能的科研机构提供了理想的训练基座。 [link]
广告业务中存在海量低活跃用户，传统建模方法在数据稀缺时往往失效。 ScaleToT 方案巧妙地将大模型的结构化推理能力迁移到轻量化编码器上。它通过思维树改进推理可靠性，并利用 OSIPO 优化策略。在涉及十亿级用户的真实广告投放中，该模型将长期价值指标提升了 6.7% 且计算成本极低。这证明了在大规模工业场景下，大模型推理可以实现低成本的普惠应用。 [link]
在金融与合规等高风险场景，模型犯错的代价巨大。 ExtractConf 为文档提取任务设计了多信号置信度引擎。它通过两种异构读取方式检测不一致性，结合 OCR 质量与布局特征进行判断。在发票处理任务中，它将误报率降低了 70% ，在 80% 的覆盖率下实现了 99.1% 的准确率。这种可靠的置信度评分机制，是实现自动化办公与人机协作闭环的关键。 [link]
精简指令常被认为能节省 Token 成本。然而 Cavewoman 协议的测试结果揭示了反直觉的结论。压缩输出确实能降低 API 成本，但压缩输入反而会导致模型产生更冗长的回复。准确率也会随之大幅下降。这项研究覆盖了 8 个主流模型，量化了输入压缩带来的 1.15 倍净成本增长。该发现为大模型应用开发者提供了重要的经济指导，提示大家不要在提示词精简上因小失大。 [link]
自动驾驶模型通常缺乏可解释的逻辑链条。 Neuro-Symbolic Drive 框架将经典的符号规划器与神经网络结合。它通过从规则规划器中提取逻辑轨迹来监督 VLA 模型，确保推理过程与运动控制在结构上耦合。这种神经符号方案显著降低了行驶中的位移误差与碰撞率。它利用经典算法的确定性为生成式模型提供指导，为构建安全、透明的自动驾驶系统提供了工程参考。 [link]
智能体存储系统正在从简单的检索机制演变为复杂的数据库。本文对 12 种主流存储系统进行了深度的系统级评测。研究发现没有任何一种架构能胜任所有场景，存储结构必须与工作负载瓶颈相匹配。实验揭示了局部维护比全局重组更具成本效益。这篇论文为构建下一代原生支持智能体持久化存储、动态更新与生命周期管理的系统提供了设计指南。 [link]
训练高质量的密集检索模型通常需要昂贵的标注对数据。 DREAM 提出了一种全新的思路。它直接利用大模型的自回归预测能力提供监督信号，将检索器生成的相似度分数注入到冻结模型的注意力机制中，通过预测损失来训练编码器。这种方法在 BEIR 等多个基准测试中均展现出优异的零样本表现。它摆脱了对比学习对负样本构造的依赖，为大规模信息检索系统的训练提供了更高效的途径。 [link]
一种名为 Mistic 的新型后门出现在针对保险、教育、 IT 以及专业服务行业的经济动机攻击中。 [link]
美国网络安全与基础设施安全局 CISA 发出警告，黑客正在积极利用 Ubiquity UniFi OS 和 Lantronix 串口转以太网服务器中的漏洞。 [link]
微软、欧洲刑警组织以及国际合作伙伴在 Operation Endgame 行动中摧毁了 Amadey 和 StealC 恶意软件使用的基础设施。该行动旨在打击网络犯罪服务和勒索软件团伙。 [link]
服务台已成为攻击者获取密码重置、 MFA 变更以及企业账户访问权限的首选目标。 Specops Software 详细分析了服务台社会工程学攻击的工作原理，并探讨了企业的防御策略。 [link]
一名使用 Snoopy 代号的 21 岁男子因参与 2022 年 11 月针对 DraftKings 账户的黑客攻击，被判处 18 个月监禁。 [link]
最新细节揭示了黑客如何在零日攻击中利用编号为 CVE-2026-20245 的 Cisco Catalyst SD-WAN 漏洞，并在目标设备上创建了恶意 root 账户。 [link]
一款名为 Edgecution 的恶意 Microsoft Edge 扩展被用于勒索软件攻击。它绕过了浏览器沙箱并部署了一个基于 Python 的后门。 [link]