4 篇内容
这是一份关于协调式漏洞披露（CVD）的公开仪表盘，展示 Anthropic 使用 Claude Mythos Preview 发现开源软件漏洞后的完整处理链路：候选发现、外部安全公司复核、向维护者报告、修复确认以及 CVE/GHSA 发布情况。页面不仅给出总量、项目分布和严重性统计，还解释了真阳性率、直接披露、补丁数与安全公告之间的关系，以及披露窗口内用 SHA-3-512 承诺哈希证明“已发现但未公开”的机制。整体上它更像一份面向安全工程与 AI 安全实践的流程说明与数据看板，而不是单纯的公告页。
推荐收录，因为它把 AI 辅助漏洞挖掘、人工复核、协调披露和公开证明机制串成了一条可审计的工程流程，信息密度和方法论价值都很高。对于安全研究、AI 红队、开源生态治理和负责任披露实践的读者，这份页面提供了可迁移的指标体系、流程拆分和边界说明。
这篇 Anthropic Frontier Red Team 报告系统评估了前沿大模型对 N-day 漏洞利用链的加速能力，分别在 Firefox SpiderMonkey 和 Windows kernel 补丁上测试模型从补丁 diff 生成 PoC、再到完整 exploit 的成功率、稳定性与耗时。文章给出了明确的实验设置、评分标准与对照结果，结论是：在受控环境下，最强模型已经能在数小时内把公开补丁转化为可用利用链，显著压缩了传统依赖人工逆向的“补丁窗口”。同时，作者也强调这不等同于完整真实攻击链，目标发现、投递与规避检测仍未纳入。
推荐收录，因为它不是泛泛而谈“AI 会影响安全”，而是用可复现实验直接测量模型对 N-day exploit 开发链路的加速效果，证据强且结论清晰。对于安全研究、红队评估、漏洞响应和补丁节奏制定，都有很强的长期参考价值。
这篇报告基于 Anthropic 在 2025 年 3 月至 2026 年 3 月间封禁的 832 个恶意账号样本，分析了 AI 在真实网络攻击中的使用方式，并将这些行为映射到 MITRE ATT&CK 框架。作者提出了 LLM ATT&CK Navigator 和 AI Risk Enablement Score（ARiES）评分体系，用于衡量模型对威胁行为的“赋能”程度，而不是传统意义上攻击是否成功。报告的核心结论是：AI 目前最常被用于能力开发、混淆规避和准备阶段，但真正高风险的 actor 往往是那些利用 agentic scaffolding 把模型用于侦察、凭证获取、横向移动和数据外传的攻击者。它同时指出，现有 ATT&CK 术语仍不足以描述“自主编排整条攻击链”的 AI 原生行为，防御框架需要扩展。
推荐收录，因为它不只是安全宣传或产品说明，而是基于真实样本、明确方法和量化评分的研究型报告，能为理解 AI 赋能网络攻击提供长期参考。文中关于风险建模、ATT&CK 映射局限、agentic 编排与防御演进的讨论，对安全研究、红队和防护体系设计都具有可迁移价值。
这篇文章系统评估了大语言模型在漏洞利用开发上的能力，核心围绕 ExploitBench、ExploitGym 和更新版 SCONE-bench 三个基准展开。文章不仅给出 Mythos Preview 等模型在不同层级能力上的量化结果，还解释了从触达漏洞、复现、构造原语到实现远程代码执行的能力阶梯，以及各基准在自动化评分、对抗作弊和安全防护开关上的设计。结论是：最强模型已经能够在多类真实软件目标上构造端到端 exploit，且这种能力正在快速接近可规模化、低门槛化，但结果仍受限于基准覆盖范围、已知漏洞集合和模拟环境设定。
推荐收录，因为它提供了一个面向前沿模型“攻击能力”的高质量评测框架，而不是停留在概念性讨论。对关注 AI 安全、漏洞利用、红队评测和安全基准设计的读者，这篇文章具有很强的参考价值和可迁移性。