锐Owl 雷达 · 2026-10-07：OpenAI 公开 722 篇内部模型产出的数学手稿（附 Lean 形式化）；Mistral Large 4 公测（1T/49B，权重月底）；决策模型被平台内化——OpenAI 上线 Decisions API

本期覆盖 2026-10-06 18:00 → 10-07 18:00（北京时间）。今天五条其实是一条主线：产出速度已经超过了消化机制。① OpenAI 一口气公开 722 篇由内部前沿模型产出的数学手稿，附 Lean 形式化、推理摘要与算力口径，并自承"部分未形式化的结果可能有问题"；同一天，Erdős 问题站宣布冻结评论与证明声明——因为站上现在最主要的公开互动，是"张贴不作解释的 AI 证明"。② Mistral Large 4 公测（1T 总参 / 49B 激活），第一次把"安全拒绝 = 能力缺陷"写进发布文，权重月底才放。③ 决策模型这个品类一个月内被平台内化：OpenAI 上线 Decisions API（只按输入计费 $0.10/M）、AWS 开源 2B 的 Decider、arXiv 拿 Jev 做财务证据判官的压力测试。④ Google 的 EmbeddingGemma 2 把原生多模态嵌入压到 740M、端侧 191MB。⑤ agent 的"现实后果"再升一级：韩国 7 家金融机构被入侵、约 6.8 万人信息泄露，总统在内阁会上点名"AI 迹象"。本期 5 条。

① OpenAI 公开 722 篇由内部前沿模型产出的数学手稿：Lean 形式化 + 推理摘要 + 算力口径（官方 2026-10-06）

OpenAI 于 2026-10-06（美西时间；仓库创建于 2026-10-06T21:47Z ≈ 北京 10-07 05:47）发布《Sharing AI progress in mathematics》，公开由内部前沿模型产出的一批数学结果，托管在 GitHub 仓库 openai/math（Apache-2.0）。仓库自述的构成：722 篇手稿，归入 372 个 family（一个 family 把主结果、伴随论证、推论、替代证明放在一起，并按数学分支分类）；提供 overview.pdf、640KB 的 CONTENTS.md（手稿地图）、preprints/（PDF + 源文件 + 各自引用与构建说明）、lean/（Lean 库 + formalization.yaml：部分手稿有机器可验的形式化，并非全部）与 reasoning_traces/（10 份模型推理的节选摘要，覆盖 family 007 / 017 / 087 / 102 / 159 / 197 / 221 / 271 / 287 / 362 等）。官方给出的透明度材料还包括：算力估计（以 ChatGPT Pro 用量折算）与尝试题目数的统计——"平均一个结果用掉大约三小时 ChatGPT Pro 思考的等效算力"。发布动机官方写明是"在我们既有的数学评测饱和之后，我们扩展了这些评测"；发布方式则称是咨询了 IAS（普林斯顿高等研究院）的独立 Advisory Group on Mathematics and Artificial Intelligence（agmai.org）后定的，并承诺后续办工作坊/会议、"继续探索社区托管的替代方案"、"正负责任地释放产出这些结果的模型"。官方同时自承："部分未形式化的结果可能有问题，我们会尽快修补。"（可独立复核的部分：preprints/ 目录下实测恰为 722 个子目录，目录名自带日期，如 …-October-5-2026、…-September-25-2026。）HN 帖 919 分 / 851 评论（10-07 北京时间 06:17）。同一天，Erdős 问题站（erdosproblems.com）站主 Thomas Bloom 于 2026-10-06 发文《Changes》宣布四件事：冻结新的题目评论与证明声明、不再显示题目状态（open/solved 一律同色、不再公布已解比例）、不再用署名/归属语言描述解答、把重心转向"高质量的证明阐释"。他给的理由是：站点现有 1221 题 / 9000+ 评论 / 近 2000 注册用户、每天 1–2.5 万独立访客，而"人们如今与站点公开互动的主要方式，是张贴 AI 生成的证明、往往不作任何解释，只为记录一个（越来越没意义的）优先权声明"。帖内一位用户给出的计数：当时站上共 291 条证明声明，其中 155 条零评论。

认知价值：① "评测饱和 → 去开放问题里产出"这条路径被官方自己说破了。 触发点不是数学能力变强，而是既有数学评测被打满；当榜单饱和，能力信号就会从"分数"迁移到"在开放问题集上的产出量 + 可验证性"。这给我们的评测选题一个明确方向：榜单饱和之后该测什么。 ② 这次的信任机制值得整套抄。 它把"AI 说它证明了"变成四件可被检查的东西：Lean 形式化（机器检查）+ 修订/引用协议 + 10 份推理摘要 + 算力口径，再加"事先咨询独立顾问组"的程序。我们做证据层时同理——能给形式化/可复算就给，别只给一个分数。③ 但别过度解读，也别替它加戏。 722 是"手稿"计数，不等于 722 个已核实的定理；OpenAI 自己写明未形式化的结果可能有问题，且全部结果未经第三方复核。这条的可用结论是"机制变了"，不是"AI 已经解决数学"。④ Erdős 那条是同一枚硬币的另一面，而且更硬。 产出速度上来之后，先崩的是社区基础设施（评论、优先权、状态标记——都是"消化与验证"的产能）。谁受益于 AI 产出，谁就得补消化侧的产能：这是 10-06 ② Wikimedia"agent 成本外移"的数学版。对我们自己的产线同样成立：产量上去之后，瓶颈一定在审片与证据核验，不在生成。

领域：eval-evidence ｜ 去向：feeds（喂养「AI 做研究 / 评测饱和后能力怎么测」选题；可挂钩 2026-10-06 未采用清单里的陶哲轩待命素材）｜ 等级：🟢

来源：🟢 一手已核（10-07 直读官方发布页全文）https://openai.com/index/sharing-ai-progress-in-mathematics/ （页面日期 October 6, 2026；IAS 顾问组 agmai.org、Lean 形式化、10 份推理摘要、平均≈3 小时 ChatGPT Pro 等效算力、"既有数学评测饱和"、"部分未形式化结果可能有问题"原句、承诺办工作坊）｜🟢 一手已核（10-07 直查 GitHub API + 直读 README）https://github.com/openai/math （Apache-2.0；created 2026-10-06T21:47Z、pushed 2026-10-06T22:01Z；6,218★ / 582 fork；README 原文"722 manuscripts organized into 372 families"；preprints/ 实测 722 个子目录、CONTENTS.md 640,371 B、lean/ + reasoning_traces/）｜🟢 一手已核（10-07 直读原帖）Erdős Problems 论坛《Changes》Thomas Bloom 2026-10-06 https://www.erdosproblems.com/forum/thread/blog:9 （四条改动；1221 题 / 9000+ 评论 / 2000 用户 / 日均 1–2.5 万访客；用户统计 291 条证明声明 / 155 条零评论）｜🟡 HN 平台数据（10-07 直查 Algolia，objectID 49984923）：919 分 / 851 评论（北京时间 10-07 06:17）｜⚪ "这些数学结果的价值与正确性"属 OpenAI 自述，本轮无第三方复核，正文只按"官方口径 + 其自身保留"写，不代其宣称已解决

② Mistral Large 4 公测：1T 总参 / 49B 激活、原生多模态，权重"本月底"才放（官方 2026-10-06）

Mistral 于 2026-10-06 发布 Mistral Large 4（官方昵称 le Chonk / "Le chonk"）的公测预览：1 万亿总参数、490 亿激活，官方定位是"开源权重场景下的混合 instruct-and-reasoning MoE、原生多模态输入"，把指令、推理与 agentic 能力统一进一个模型；权重"本月底"放出，在此之前只能走 Mistral Studio 的预览 API，官方称这段时间在"与网络安全负责人、受审伙伴与国家机关一起做真实环境 red-teaming，给他们同一个模型但降低审核、扩展开网络能力"（对照 10-01 ① Google 对 Gemini 4 Argon 的同类做法——"不给护栏"的发放在变成惯例）。训练口径：在 Mistral 自有的欧洲数据中心、用 3,800 张 NVIDIA Grace Blackwell 从零训练；训练数据多语种、覆盖 160+ 语言（含全部欧盟官方语言）。定价 $1.36 / 百万输入、$4.18 / 百万输出。官方自报的能力（厂商口径，部分引用 Artificial Analysis / vals.ai / Surge AI 的指数但由其解读）：在 Artificial Analysis Cyber Index 上排全球前五、在"非中国产的开源权重模型"里大幅领先；其中一项要求"复现并修补真实漏洞"的测试得 82%，是所有模型里的最高分；Cybench 40 题解出 93%；并直接点名"包括 Claude Opus 5.5 与 GPT-6 Astra 在内的若干闭源前沿模型在同一项上接近 0 分，因为它们拒绝执行"。编码：DeepSWE v1.1 61.7%、SWE-Atlas-QnA 59.4%、Terminal-Bench 4 28.3%，合成 Coding Agent Index 49.8%，官方称高于 DeepSeek V4 Pro 0813 与 Qwen3.8 Max。人类盲评（Surge AI，五模型匿名 1–5 分）：ML4 预览版第二（3.74），仅低于 Claude Opus 5（4.22），高于 GLM-5.3（3.60）、Kimi K3（3.59）、GLM-5.2（3.40）。另有 AutomationBench 59.9%、AA-Briefcase 1,393 Elo、视觉定位 Dense 200 42% vs GPT-6-Astra 41%、Lakera B3 抗注入 93.3%。RL 规模自述：在 3k GPU 下单次训练每天约产出 330 亿 token，其中约 160 亿为可训练的 completion token。战略口径：这是 €30 亿 D 轮（欧洲科技公司史上最大股权融资）后的第一个里程碑，主题是"欧洲 AI 主权"——自部署、自有区域、按客户政策跑高级安全工作。HN 帖 1,814 分 / 1,080 评论（10-06 21:15 北京时间）。

认知价值：① 这是"开源权重前沿"48 小时内的第二次口径切换。 10-06 的 Beam（501B/23B）卖"每 token 智能"，ML4 卖主权 + 垂直能力（网络安全 / 金融 / 法律）——同样 1T 量级、同样"先 API 后权重"。两者叠加出一条清晰的行业惯例："权重晚到"成了标准动作（先预览、边 red-team 边放），代价是选型窗口被整体推迟，我们现在能拿到的仍只有规格 + 自测表。② "安全拒绝 = 能力缺陷"第一次被厂商当卖点写进发布文。 ML4 明说闭源前沿模型在"复现并修补漏洞"上接近 0 分是因为拒答。这对我们评测的含义很实：同一道题上，"拒绝"与"不会做"在分数里不可区分，必须单列拒绝率这一行（正好接上 10-06 ③ HERA"拒答该单独测"的纪律）；反过来读表也要问一句——"这分是不是靠'什么都肯做'换来的"。③ 规格上有个稳定规律可以记下来。 本季度两家开源前沿（Beam 501B-A23B、ML4 1T-A49B）已经把"前沿开源权重"的形态定死在总参 500B–1T、激活 20–50B：本地跑不动全量，本地可用的现实解只剩量化版与小模型。④ 读数字守纪律： 上面每一项排名都是官方口径（Cyber Index 那项"唯一最高分"尤其要等第三方按同协议复现），且权重尚未发布、现在无法本地验证，故整条按最保守档 🟡。

领域：industry-model ｜ 去向：related（挂钩 2026-10-06 ① Reflection Beam 的"开源权重前沿 / 本地-云选型"线）｜ 等级：🟡

来源：🟢 一手已核（10-07 直读官方发布文全文）https://mistral.ai/news/mistral-large-4/ （2026-10-06；1T 总参 / 49B 激活、原生多模态、权重"本月底"、red-team 期降审核扩网能力、3,800 Grace Blackwell / 自有欧洲数据中心、160+ 语言、$1.36 / $4.18、Cyber Index 前五 + 82% + Cybench 93% + "闭源模型因拒绝接近 0 分"原句、DeepSWE 61.7% / SWE-Atlas-QnA 59.4% / Terminal-Bench 4 28.3% / Coding Agent Index 49.8%、Surge AI 盲评 3.74 排第二、AutomationBench 59.9%、AA-Briefcase 1,393、Dense 200 42% vs 41%、Lakera B3 93.3%、3k GPU 每天 33B token / 16B 可训练、€3B D 轮）｜🟡 全部能力与排名数字为 Mistral 自报（含其转引 AA / vals.ai / Surge AI 指数后的解读），权重未发布、未经第三方复现 → 整条取最保守档 🟡｜🟡 HN 平台数据（10-07 直查，objectID 49977979）：1,814 分 / 1,080 评论（10-06 21:15 北京时间）

③ 决策模型被"平台内化"：OpenAI 上线 Decisions API，AWS 早已开源 2B Decider，arXiv 用 Jev 做财务证据判官的压力测试

这条是本栏目决策模型线的第四次证据更新，但今天的主语变了——不再是一个新模型，而是一个新端点。先看平台方：OpenAI 把"决策"做成了一等 API，POST /v1/decisions 进入 public beta（10-07 上 HN，299 分 / 140 评论）。它评测文本、图片或两者，返回三类定型答案：predicate（条件为真的概率 0–1）、choice（从给定选项集合里选一个）、score（对有序等级取概率加权平均，可落在两级之间）；官方称比 Responses API 快约 10 倍，预期"数周内 GA"。目前只支持 gpt-6-luna 一个模型；定价是这件事里最值得抄的一行——$0.10 / 百万输入 token，且只收输入（无缓存读写费、无输出 token 费）；支持 ZDR 与 HIPAA、美/欧数据驻留，另有 Live API 的 voice 委托用法。再看同品类的另一头：AWS 的 Strands 团队早在 2026-10-01 就开源了 Strands Decider 2B（博客 10-01，仓库 strands-labs/strands-decider 到 10-06 仍在推送，10-07 才被 HN 顶上首页，177 分 / 45 评论——属"旧帖新热"，不是今天的发布）：2B、Apache-2.0、权重 + 全部训练数据与脚本开源；做法是"拿 Qwen3.5-2B 的躯干去掉 LM head，换成一个约 100 万参数的 pointer head"（把每个选项位置的 hidden state 与 <answer> 位置的 hidden state 打分），躯干用 rank-16 LoRA 微调；作者自报在 JevBench 公开集上"2B 档第 3/33，剔除略超 2B 的模型后第 1/30"（引 benchmarkheaven.com），中位延迟 ~115ms（RTX 3090）/ ~153ms（M3 MacBook，小任务），简单题 100% 正确；主打用途是模型路由、工具选择、护栏、记忆与上下文管理。最后看评测侧：arXiv 2610.08675《Same-Number Citation Swaps: Stress-Testing Jev as a Financial Evidence Judge》（2026-10-06 提交）把 Jev 当来源支撑校验器去核 GPT-4.1-mini 的计算轨迹；设计很干净——固定操作数与算术，只把引用在同数但不同"财务角色"的格子之间搬运，并保留表达等价事实的对照。结论：一个"带符号数字 + 指针"的基线就解释了大部分收益；把列标签显式给出来，能改善部分"错角色"判定，但同时压低了对某些等价证据的支持；在 36 页新来源、由非作者评审标注的后续实验里复现了同一权衡。作者的落点是：数值正确、引用角色支撑、接受与否，这三件事必须分开评。

认知价值：① 品类被平台内化了——这比"又多一个模型"重要得多。 一个月前"决策模型"还是 TypeSafe 的托管 API 加一堆社区拿同一基座后训练的开源版（10-02 ③）；今天 OpenAI 把"概率谓词 / 选项选择 / 等级打分"三种输出形状收进了官方端点。当底座厂把某种输出形状变成 API 的一等公民，独立品类的窗口就变窄：留给第三方的是"更小、更本地、更可改"的位置（Strands 选的正是这个位置）。② 定价读法值得记住。 $0.10/M、只按输入计费，等于把成本锚定在"读了多长的证据"而不是"想了多久"——这正是小决策模型的成本逻辑（一次并行前向，输出不是生成的）。它和 Strands 把 2B 塞进本机（115ms）是同一件事的两端：这类调用会被大规模、低价值地高频使用，所以"每次几毫秒、几乎免费"才是它的正确形态；反过来，任何按输出 token 计价的方案在这个场景里都站不住。③ 论文给的是纪律，不是胜负。 2610.08675 没说 Jev 好或坏，它证明的是"数值对 ≠ 引用角色对"，并给出一个可复用的对照设计（固定算术、搬引用、留等价对照）。这是证据层可以直接抄的方法：核 AI 的财务/数据结论时，先问它引的是哪一格，别只看数对不对。④ 三件事一起看，结论收敛： 决策模型的真实价值不是"更准"，而是"可校准的离散输出 + 便宜到可以塞进每一次工具调用"——谁把这个形状做进既有 API，谁就吃掉了它。

领域：eval-evidence ｜ 去向：related（挂钩本栏目决策模型线：2026-10-02 ③ 品类起源 / 2026-10-05 ③ Red Hat 反证 / 2026-10-06 ⑤ 第三次独立复评）｜ 等级：🟡

来源：🟢 一手已核（10-07 直读官方文档）https://developers.openai.com/api/docs/guides/decisions （public beta、仅 gpt-6-luna、POST /v1/decisions、predicate/choice/score 三型定义、"10x faster than the Responses API"原句、$0.10/M 输入且只收输入 token、ZDR/HIPAA、美欧驻留、"GA in the coming weeks"）｜🟢 一手已核（10-07 直读 arXiv 摘要与 dateline）2610.08675《Same-Number Citation Swaps: Stress-Testing Jev as a Financial Evidence Judge》https://arxiv.org/abs/2610.08675 （Submitted on 6 Oct 2026；固定操作数与算术、同数换引用、带符号数字+指针基线、列标签的双向效应、36 页新来源由非作者评审标注）｜🟢 一手已核（10-07 直读官方博客 + RSS 核发文日 + GitHub/HF 直查）https://strandsagents.com/blog/introducing-strands-decider/ （发文 2026-10-01，feed.xml 已核）+ https://github.com/strands-labs/strands-decider （Apache-2.0；created 2026-09-29、pushed 2026-10-06T23:47Z；465★ / 64 fork；Qwen3.5-2B 去 LM head + ~1M 参数 pointer head + rank-16 LoRA）+ HF StrandsAgents/strands-decider-2B-hobson-v19（2026-09-30 创建）｜🟡 "2B 档第 3/33"等排名为 Strands 自报（引 benchmarkheaven.com），延迟为作者自测 → 整条取最保守档 🟡｜🟡 HN 平台数据（10-07 直查）：Decisions API 299 分 / 140 评论（objectID 49984025）；Strands Decider 177 分 / 45 评论（objectID 49987076）

④ Google 发布 EmbeddingGemma 2：740M 原生多模态嵌入、端侧 191MB 活跃内存，向量可截到 128 维（官方 2026-10-06）

Google 于 2026-10-06 发布 EmbeddingGemma 2：740M 参数、基于 Gemma 4 架构、Apache-2.0，把文本 / 图像 / 音频 / 视频映射进同一个嵌入空间（一代 EmbeddingGemma 累计下载 2000 万+）。规格里最实用的三条：① 模块化——文本-only 最少 270M 参数，视觉编码器可选 170M、音频 300M，不用多模态就不付这份开销；② 端侧占用——量化后在 Pixel 11 Pro 上文本-only 权重约 191MB 活跃内存、全多模态约 567MB；③ 上下文 8K token（一代的 4 倍），官方称可直接处理最多 5.5 分钟音频 / 29 张图 / 58 帧视频或它们的交错组合。存储侧用 MRL（Matryoshka 表示学习），输出向量可从 768 维动态截断到 512 / 256 / 128，官方称最多省 6 倍存储。官方口径（Google 自测）：在 sub-1B 多模态嵌入模型里同类最佳（MTEB / MAEB），MTEB Code 上从 68.76 提到 78.68（+9.92），在部分任务上超过两倍于它的专用模型；正文给出的可核硬事实是"规格 + 许可证"，分数部分属其自测。生态已接好：权重在 Hugging Face / Kaggle，推理侧已有 transformers、sentence-transformers、MLX、vLLM、llama.cpp（GGUF）、SGLang、Ollama、LMStudio，向量库侧 Qdrant 已出配套文，浏览器侧有 transformers.js / WebGPU demo，微调有 Unsloth 指南。HN 帖 328 分 / 35 评论（10-07 00:03 北京时间）。

认知价值：① 这条正落在品牌主线上：端侧检索把 RAG 的默认架构从"云上大向量库"改成"本机小向量库"。 740M、191MB 活跃内存、768→128 维截断，合起来意味着索引与检索可以完全离线、存储量级再降一档——对"数据不出本机"的产线（我们的隐私线）是现成零件，不需要自己训。② 多模态统一空间对我们是即用型的：视频/音频/图像与文本进同一空间后，"用一句话找一段素材"不必再走"转写 → 切片 → 文本检索"两套管线。我们自己的素材库（视频、图、稿）是直接可跑的落点——值得做一次本地实测（Ollama 或 llama.cpp GGUF 都行），这也是唯一能把这条从"读到的新闻"变成"我们的证据"的方式。③ 读表纪律： "+9.92"是 Google 自测（且只是 MTEB Code 这一项），"同类最佳"是它自己的口径；但规格与许可证是可核的硬事实（740M / Apache-2.0 / 270M 起 / 191MB / 8K ctx / MRL 截断），落地判断以这些为准。④ 一句行业读法： 嵌入模型正在重复小语言模型的迁移路径——能力下压到 sub-1B + 量化 + 端侧，而"多模态统一空间"是这一代的默认目标；这也解释了为什么 10-06 那批"前沿开源 500B–1T"与我们能真正跑的东西之间，差距正在被小模型和嵌入模型两头夹住。

领域：inference-efficiency ｜ 去向：feeds（喂养「端侧检索 / 本地 RAG 选型」选题，可挂隐私线做本地实测）｜ 等级：🟡

来源：🟢 一手已核（10-07 直读官方博客全文）https://blog.google/innovation-and-ai/technology/developers-tools/embeddinggemma-2/ （页面日期 Oct 06, 2026；740M、Gemma 4 架构、Apache-2.0、270M 文本-only + 170M 视觉 + 300M 音频、Pixel 11 Pro ~191MB / ~567MB、8K ctx / 5.5 分钟音频 / 29 图 / 58 帧、MRL 768→512/256/128 最多 6× 存储、一代 2000 万+ 下载、MTEB Code 68.76→78.68）｜🟡 MTEB / MAEB 分数与"同类最佳"为 Google 自测口径 → 整条取最保守档 🟡｜🟡 HN 平台数据（10-07 直查，objectID 49980487）：328 分 / 35 评论（10-07 00:03 北京时间）

⑤ 韩国 7 家金融机构被 AI agent 入侵、约 6.8 万人信息泄露；防御侧论文给出"共演化对抗训练"（官方表态 2026-10-06）

先看事件：2026-10-06（周二），韩国总统 李在明 在内阁会议上说："在一些黑客事件中，已经出现 AI 被使用的迹象，引起了相当大的公众担忧与焦虑"，并要求"迅速、清楚地查明情况，集中人力与资源把损失降到最低"（Reuters / Yonhap；同日金融委员会与警方启动正式调查）。受害规模（媒体与官员口径）：至少 7 家金融机构被攻入，约 68,000 人的个人信息被窃，含年收入与贷款额度；其中 Shinhan Bank 于 9-30 确认约 25,000 名客户信息泄露，入口是贷款中介服务；KB Kookmin、Hana、Busan 亦确认，Woori、NongHyup 遭攻击尝试。攻击特征很关键：打的是"周边系统"（营业支持 / 中介平台），不是核心交易系统；来源 IP 跨 20 多个、涉及多国（含美国、日本）。再看工具归属（必须标口径）：Seoul Economic Daily（英文版 10-02，引 Genians 安全中心的 Moon Jong-hyun）称，在被用于"撞库 + API 漏洞"攻击的服务器 HTML title 里发现了 "ARTEX — 自主渗透测试控制台" 字样——ARTEX AI 是 GitHub 上以中文为主发布的开源 LLM 多智能体自主渗透测试系统，可自动做信息收集、漏洞扫描、攻击路径规划、跑工具与验证，曾是百度 BSRC "Agent+" 攻防赛的获奖项目；但该报道同时明确："尚未确认 AI 是否真的被用于这次入侵"。Fast Company（10-06）的写法是"黑客似乎用了 Artex AI——一个中国开发的开源 agent，讽刺的是它本来是被设计成网络安全工具的"；WSJ 经聚合站转述的归属同为 Artex。最后看防御侧：arXiv 2610.08773《AdvSim2Real: Training Web Agents Against Adaptive Prompt Injection in a Web World Model》（2026-10-06 提交）指出两条现有路都堵——"在训练前固定的注入样本上微调"会被自适应攻击绕过，而对抗训练又因任务固定而在 agent 学会后失去学习信号。它的办法是在冻结的 web 世界模型里，让任务课程、注入攻击者、agent 三方共演化（课程只在"agent 大约一半能解"的任务上得奖励，攻击者只在"把判定的成功翻成失败"时得奖励）；结果是 4B agent 的能力与鲁棒性同时上升，能顶住训练时从未见过的前沿模型对手，且能力增益迁移到真实浏览器——150 个真实 web 任务上，面对这个未见过的对手，完成率相对基线 +33.6%。（背景：SANS Institute 7 月报告称过去一年 78% 的组织遭遇过确认或疑似的 AI 赋能攻击；同期另有 AI 研究公司称 AI agent 试图攻击一个加拿大政府网站、未成功。）

认知价值：① "agent 的现实后果"这条线一周内升了三级。 10-05→10-06 还停在"agent 爬站 / 被注入"（平台方出调查报告，见 10-06 ② Wikimedia），今天到了金融基础设施被入侵、由总统在内阁会上点名。它已经从"AI 安全的抽象讨论"变成运营风险——这就是我们为什么把它放在主线上，而不是当一条社会新闻。② 工具是两用的，"开源 + 中文"会立刻被写成叙事——这条最该记住的恰恰是"尚未确认"。 ARTEX 的设计初衷是渗透测试（防御），被滥用后就成了攻击自动化；但归属与"到底用没用 AI"都没有取证结论。我们写这类条必须把"已确认 / 疑似"分层（本条即按此写），这既是引用红线，也是不被带节奏的能力。对我们自己的产线：agent 一旦上公网，出站白名单 / 速率上限 / 身份披露要默认开（与 10-06 ② 同一条纪律，今天韩国这条是它的第二次提醒）。③ 防御侧的答案正在从"过滤输入"转向"共演化对抗"。 AdvSim2Real 给的是机制而非口号：把攻击者放进训练回路、用"半难课程"维持学习信号、在冻结环境里练以免原地打转。它和 10-06 ③ HERA（harness 与环境共演化）是同一个方法论家族——"让环境一起动"是本季度 agent 可靠性研究的主旋律，值得在选题里并成一条线。④ 读数字守纪律： 7 家 / 68,000 人是媒体与官员口径；"AI 被用于攻击"目前是韩国官方"疑似" + 安全厂商的技术推断，没有任何一方给出取证结论；AdvSim2Real 的 +33.6% 是作者在特定世界模型与 150 个任务上的自测。整条按最保守档 🟡。

领域：agent-frameworks ｜ 去向：related（挂钩 2026-10-06 ② Wikimedia rogue agents 的"agent 现实后果"线）｜ 等级：🟡

来源：🟡 媒体/官方口径（10-07 检索，Reuters 原页 401，经 Economic Times / BusinessWorld / AsiaOne 转述核到同句）Reuters《South Korea's Lee says AI appears to have been used in bank hacks》2026-10-06（李在明内阁会议原句、警方全面调查；https://www.reuters.com/world/south-koreas-lee-says-ai-appears-have-been-used-bank-hacks-2026-10-06 ）｜🟡 Fast Company 2026-10-06《South Korea's bank hacks offer a warning about AI-powered cyberattacks》（至少 7 家金融机构、约 68,000 人信息含年收入与贷款额度、20+ 国 IP、用 Artex AI、SANS 7 月报告 78%）https://www.fastcompany.com/91619252/ ｜🟡 Seoul Economic Daily 英文版《Traces of Chinese AI Hacking Tool Found on Server Tied to Shinhan Bank Breach》（10-02 原报道；服务器 HTML title 发现 "ARTEX — 自主渗透测试控制台"、Genians Moon Jong-hyun 的推断、Shinhan 约 2.5 万人泄露、ARTEX 为 GitHub 开源中文 LLM 多智能体渗透测试系统、百度 BSRC "Agent+" 获奖；文中明确"尚未确认 AI 是否真的被使用"）https://en.sedaily.com/technology/2026/10/02/traces-of-chinese-ai-hacking-tool-found-on-server-tied-to ｜🟢 一手已核（10-07 直读 arXiv 摘要与 dateline）2610.08773《AdvSim2Real: Training Web Agents Against Adaptive Prompt Injection in a Web World Model》https://arxiv.org/abs/2610.08773 （Submitted on 6 Oct 2026；冻结 world model 内三方共演化、4B agent、150 任务、相对基线 +33.6%）｜🟡 攻击规模与工具归属均为媒体/厂商口径、无取证结论 → 整条取最保守档 🟡｜🟡 HN 平台数据（10-07 直查）：77 分 / 16 评论（10-07 07:50 北京时间）