📢 Gemini 3.8 Flash 现已登陆 API 作为 @GoogleDeepMind Gemini 3 系列新成员，Gemini 3.8 Flash 在保持高性价比与低延迟的同时，于编程、金融、法律、科学等多项基准测试中实现显著提升。模型支持 1M Token 上下文窗口与原生多模态输入，兼具强大推理能力与 Agent 智能，专为长周期任务与复杂工作流打造。 官方 API 接入现已开放，享低至 7折 专属优惠。 👉 立即体验： 🔗 了解更多：

卧槽，只用一个Qwen模型配合一个harness就可以突破OpenAI、Google的生图安全防护？？？ 刚刚，AI安全公司 @whitecircle 宣布开源RISE，一套专门用来对图像生成模型进行自动化红队测试的算法。 他们用这套方法，成功绕过了 @OpenAI 的DALL·E3、GPT-Image-2，以及 @GoogleDeepMind 的Nano Banana2的部分安全限制，让模型生成了原本应该被拦截的违规图像。 而且整个过程不需要训练新的模型。 攻击端直接使用开源Qwen，评判端使用Gemini Flash，再通过API调用目标图像模型，就能完成自动化测试。 RISE的设计还挺有意思。 以往很多模型越狱的方法，本质上就是不断修改Prompt，直到模型愿意执行原本被禁止的请求。 但RISE做的事情是不再局限于优化某一条Prompt，而是让AI自己探索、评估和迭代可复用的攻击策略，然后把有效策略迁移到不同的场景和模型上。 简单来说，以前是人类想办法越狱，现在是AI自己研究怎么越狱，而且还能根据反馈不断改进（RSI！）。 根据White Circle9月发布的论文，在DALL·E3、Nano Banana2和GPT-Image-2上，RISE的最高人工验证攻击成功率达到了约13%。 更值得注意的是，White Circle昨天还向ArsTechnica透露，他们测试了更新的GPT-images2.5和Nano Banana2.1，发现这两款模型的安全防护比上一代更容易被突破。 不过这部分还没有公布完整的结果。 同时White Circle发现，过去不少论文声称自己的攻击成功率高达30%，但如果采用严格的违规判定标准，再通过人工校准评测，实际成功率可能接近于零。 所以他们不仅研究怎么攻击模型，还花了很大精力研究怎么准确判断一次攻击是否真正成功（就是如何bench）。 我觉得这件事情反映出的趋势还挺明显的。 随着开源模型能力越来越强，自动化红队测试的门槛也在快速下降。 以前可能需要专业安全研究人员反复尝试的工作，现在完全可以交给一个由现成模型组成的Agent系统执行。 而且随着攻击策略可以自动探索、迭代和迁移，模型厂商面对的安全压力只会越来越大。 更有意思的是，未来负责发现前沿模型漏洞的，可能根本不需要是另一个前沿模型。 一个开源Qwen，加上一套设计得足够好的Harness，就已经可以做很多事情了。

Google DeepMind 发布三款新 Gemini 模型，旨在让 AI 代理更快、更智能且更具成本效益，其中 Gemini 3.6 Flash 使用更少 token 实现更高品质输出。 Gemini 3.5 Flash-Lite 针对文档处理和代理搜索等日常任务优化速度和成本，Gemini 3.5 Flash Cyber 专为发现并修复关键软件漏洞设计。 三款模型已在 Gemini App 推出，开发者可通过 Google AI Studio 和 Android Studio API 立即使用，Cyber 模型通过 CodeMender 限量试点。 评论区质疑声明显多于狂热支持，大家肯定“快+便宜”的方向，但对缺少顶级智能模型和实际性能表现失望较多。 部分开发者表示会试用（尤其是成本敏感场景），但很多人还在等更强的Pro级模型。

Google DeepMind 的 CEO Demis Hassabis，剑桥高材生，国际象棋神童，2024 年自己也拿了诺贝尔化学奖。他一直想用 AI 做科学发现、攻克疾病、造福人类。你看他的访谈，关注点全在 AI for Science 上面。 听起来很崇高对吧？ 然后讽刺的事情发生了。John Jumper，就是在 Google DeepMind 做出 AlphaFold、拿了诺贝尔化学奖的那个人——想做 AI for Science 嘛，他跑去了 Anthropic。他说 Anthropic 才是能让他"用 AI 真正推动科学发现"的地方。 你品品这个。Google 在 Agent 工业竞争上输给了 OpenAI 和 Anthropic，这还能理解——大象转身慢嘛。但在 AI for Science 这条自己本来最有优势的路上，做出最大成果的人也觉得你这不行了，跑了。 两头都在丢人。这个事情录了一期完整的分析。

Google DeepMind 发布《From AGI to ASI》报告（arXiv 最近几天活跃讨论）： 探讨 AGI 后通往超级智能的 4 条路径（scaling、paradigm shift、recursive self-improvement、多 agent 集体智能），以及瓶颈。 属于前沿思考型论文，英文圈在 HN/Reddit 讨论较多。

🌦️ Google DeepMind 把 WeatherNext 这一系列天气预测模型的代码开源了，预训练权重也一起给。 GitHub 七千六百多 star，近一千个 fork；气旋预测那篇论文发在 Nature，WeatherNext 2 的技术报告挂在 arXiv 2506.10772。 这类模型以前基本摸不到：要么是各家气象机构的内部系统，要么论文发出来了代码不给，想复现只能自己从头训，一张图背后是几百张卡的账单。 WeatherNext 把最新的 WN2 连同前代的 GraphCast、GenCast 代码一起放了出来，权重存在公开的 Google Cloud 存储桶里，直接拉。这一版分辨率 0.25 度，大概 30 公里一格，基于 ECMWF 的 HRES 数据微调，训练数据到 2024 年，本身就在实际运营里跑着。气旋那条线更具体：2025 年大西洋飓风季就在用，对外叫 FNV3，美国国家飓风中心后处理过的版本叫 GDMI。机器不够的话还有 1 度分辨率的 Cyclones Mini，内存和算力要求低一截，代价是效果不如完整版。 不想自己跑推理也行，模型输出在 Earth Engine、BigQuery、Vertex AI 和 OpenMeteo 上都能取到。有一句得说清楚：项目自己声明这不是 Google 官方支持的产品，也没有跟任何政府气象机构合作或者获得认可，真要看预警还是得看官方发布。 能拿到手里跑的前沿模型，比论文里的图有用得多。 GitHub：

张小珺访谈Google DeepMind的姚顺宇。 听到40分钟，觉得很合理又很震惊的一个事实：Google不允许使用Claude Code，同时姚顺宇保守估计自己90%以上code已经是AI生成的了，不保守是99%或100%。 所以如果顶级大模型研究员的代码都能AI生成，谁要说自己不能的话，我只想说别特么给自己脸上贴金了... 但是Google不让用Claude Code和CodeX的话，那得多影响员工效率啊。