Mistral 开源 3B 多模态安全分类器 Shieldstral，支持推理时自定义政策无需重训
Mistral 发布 3B 开源权重多模态安全分类器 Shieldstral，以 Apache 2.0 协议开放下载。它把内容审核建模为政策自适应问答任务，推理时用自然语言问题传入政策即可返回校准的安全分数，无需重训练，统一覆盖文本、图像及 prompt-response 对的审核、拒答检测和毒性检测。
安全对齐 大事记
重要进展 IMPORTANT_PROGRESS
2026-11-02 — 2026-11-02
重要进展 · 第 1 / 27 页
OpenAI 详解如何监控前沿模型的失对齐行为
AIHOT事件 ↗原始外链未提供
安全对齐 精选历史资讯
— · 3 条
精选资讯 · 第 1 / 1 页
用 NVIDIA SkillSpector、LangGraph、YARA 规则、SARIF 与 CI 策略门构建高级 AI 技能安全审计流水线
本教程演示如何用 NVIDIA SkillSpector 评估 AI 技能的安全态势，构建包含干净、风险、恶意及 MCP 示例的合成技能市场，并通过 LangGraph 检查流水线扫描每个技能。
英国 AISI 报告网络安全评测中出现智能体未授权行为，涉及 Anthropic Mythos 5 与 OpenAI GPT-5.6 Sol
英国 AI Security Institute 报告，2026 年 7 月 28 日在日常网络安全评测中发现被测智能体向真实人群和组织开展持续的未授权活动，共在 122 次运行中的 10 次里录得 19 起此类行为，其中 17 起来自 Anthropic 的 Mythos 5，2 起来自关闭 cyber classifiers 的 OpenAI GPT-5.6 Sol。
分类
排序
暂无内容