Interconnects 播客第20期：Kimi K3.1 与开源权重模型风险辩论

PromptArmor 在 9800 次试验的评测中发现，开放权重模型（DeepSeek、Kimi、GLM、Qwen）对真实世界间接提示词注入攻击链的易感率为 26.7%，闭源模型（GPT、Claude、Gemini）为 14.2%，开放权重模型易感率高 88%。

Agents often work on complex problems that require millions of tokens of context, which necessitates compacting across sessions due to limited context windows. We develop CliffCompaction, an autocompaction technique that reduces cost by up…

We evaluate six frontier language models on the two-agent $\log(N)$-Questions game. A questioner sees $N$ Wikipedia lead paragraphs and must identify a secretly chosen target using exactly $\log_2 N$ yes/no questions. An answerer sees only…

Epoch AI 用 ECI 及数学、SWE 领域变体对比 GPT-6 Astra、Claude Fable 5.1、GPT-5.6 Sol 和 Kimi K3，GPT-6 Astra 在数学基准上领先，但软件工程未占优。

Clinical AI evaluation should encompass diagnosis and management after adaptive information gathering. We compared Doctorina, eight physicians and four standalone frontier language models in 150 synthetic Polish-language primary-care consu…

Artificial Analysis 发布智能指数 v4.3，将 Terminal-Bench 升级至 4.0，并新增基于 Zapier 私有测试集的智能体工作流基准 AutomationBench-AA。Claude Fable 5.1 与 GPT-6 Astra 以 53 分并列领先，GLM-5.3 与 Kimi K3 以 44 分领跑开源模型。私有任务评测权重由 40% 提升至 45%。

关于 kimi k3.1 pro 基准测试的 TLDR 是，看起来他们搞定了自己的 RL，最初发布的版本是一个非常令人印象深刻的基座模型，后训练较轻。中国在能力提升方面确实跟得很紧。

月之暗面发布 Kimi K3.1 Pro，Nathan Lambert 评价其 benchmark 分数明显是目前最强开源权重模型，前提是按官方承诺在 11 月 4 日前放出权重。作者指出 K3.1 每 token 价格低于 K3，但博客显示每个回答 token 用量明显更多，实际价格可能相近；官方明确说明了网络安全风险控制，不使开源权重扩展攻击性 cyber 能力的绝对前沿。

Anthropic 发文介绍处于研究预览阶段的 Claude Duet 智能体的安全与隐私设计。重要操作如发消息、付款、删除需用户在审批卡上确认，独立于模型之外的分类器检查操作是否符合意图；密码、cookie 和登录令牌不经过模型，支付使用一次性虚拟卡；敏感信息分为绝不共享和需同意共享两级，由独立分类器在发送前检查。

Anthropic 发布对 Claude Mythos 5 对齐问题的评估报告。