OpenAI 发布 Daybreak 安全计划，GLM-5.2 可本地量化运行

---

title: “OpenAI 发布 Daybreak 安全计划，GLM-5.2 可本地量化运行” lead: “OpenAI 宣布扩充 Daybreak 安全计划，发布 GPT-5.5-Cyber 模型、Codex Security 插件，并启动 Patch the Planet 开源项目修复计划；Sakana Fugu 多智能体系统登陆 Vercel AI Gateway，社区测试显示性能接近 Mythos；GLM-5.2 被 Unsloth 量化至 2-bit，可在 256GB Mac 本地运行，GDPval-AA 排名开源第一；百度开源 Unlimited-OCR，单次处理数百页文档；Micron 与 Anthropic 签署多年期 HBM/DRAM/SSD 战略合作并投资；Google Gemini Interactions API 正式 GA，Gemini Spark Beta 上线。” highlights:

• “OpenAI 发布 GPT-5.5-Cyber 模型和 Codex Security 插件”
• “GLM-5.2 2-bit 量化可本地运行，GDPval-AA 开源第一”
• “百度开源 Unlimited-OCR，支持单次数百页文档处理”

1️⃣ OpenAI 扩充 Daybreak 安全计划：发布 GPT-5.5-Cyber 模型、Codex Security 插件与 Patch the Planet 开源修复#

• 核心发布：OpenAI 宣布大幅扩充旗下 Daybreak 网络安全计划，核心包括三部分：GPT-5.5-Cyber 模型（在 CyberGym 取得 SOTA 性能）、Codex Security 插件（支持深度扫描、攻击路径追踪、生成代码级补丁）、以及 Patch the Planet 倡议（与 Trail of Bits、HackerOne 等合作，利用 Codex Security 自动修复开源项目安全漏洞）。
• 合作伙伴计划：同步启动 OpenAI Daybreak Cyber Partner Program，领先安全软件与服务提供商可使用带 Trusted Access 的 GPT-5.5 为其客户提供防御能力，但直接模型访问权保留在合作伙伴手中。
• 行业意义：这是 AI 公司首次系统性地将前沿模型、代码 Agent 和漏洞修复整合为一个完整的安全产品线，标志着 AI 安全从「检测」走向「检测 + 修复 + 生态协作」的全栈时代。 🔗 OpenAI Daybreak 博文 | Sam Altman 推文 | Greg Brockman 推文

2️⃣ [持续跟踪] Sakana Fugu 多智能体系统登陆 Vercel AI Gateway，社区实测性能超群#

• 前情提要：昨日日本 AI 实验室 Sakana AI 发布 Fugu 和 Fugu Ultra 系列，通过多智能体编排在多个基准上匹配 Fable/Mythos 级别性能，并强调「无出口管制风险」。
• 最新突破：Fugu Ultra 模型正式上线 Vercel AI Gateway，开发者可通过单一模型 API 调用「整个模型池」。社区测试证实其一次性生成 Three.js 程序化地形的能力远超其他模型，仅用少数步骤即可产出高质量场景。omarsar0 评价「这是集体智能即将带来的预示」。
• 行业意义：Fugu 将多智能体编排从复杂工程封装为「开箱即用」的模型 API，且绕开了单一供应商出口管制风险。登陆 Vercel 生态进一步降低了开发者采用门槛。 🔗 Sakana AI 官方推文 | Vercel AI Gateway 公告 | 社区实测

3️⃣ [持续跟踪] GLM-5.2 量化至 2-bit 可本地运行，GDPval-AA 排名开源第一#

• 前情提要：智谱 AI 于 6 月 13 日发布 GLM-5.2，6 月 16 日以 MIT 协议开源权重，社区实测编程能力接近 Claude Opus 4.8。
• 最新突破：Unsloth AI 宣布已将 GLM-5.2 压缩至 2-bit 量化版本（238GB），保留约 82% 原始精度，可在 256GB 内存的 Mac Studio 或等效显存配置上运行。同日，Artificial Analysis 在其 GDPval-AA（真实世界 Agentic 工作基准）上发布排名：GLM-5.2 以 1524 Elo 位列第三，仅次于 Claude Fable 5（1783）和 Opus 4.8（1615），在开源权重模型中领先第二名 MiniMax-M3 116 分。Fireworks AI 称其为过去一周最受欢迎的新模型。
• 行业意义：量化版本使这个 753B MoE 模型从「云端专属」变为「高端桌面可用」，同时基准数据进一步巩固了其作为当前最强开源权重模型的位置，性价比优势显著。 🔗 Unsloth AI 推文 | Artificial Analysis 推文 | Fireworks AI 推文

4️⃣ 百度开源 Unlimited-OCR：R-SWA 技术实现单次数百页文档处理，OmniDocBench 93 分#

• 核心发布：百度 PaddlePaddle 团队在 HuggingFace 开源 Unlimited-OCR 模型，其核心创新是 R-SWA（Reference Sliding Window Attention），在解码时保持 KV Cache 恒定，不随文档页数增加而爆炸。实测可一次性处理几百页 PDF，速度和稳定性远超逐页处理方式。
• 性能数据：在 OmniDocBench 基准上获得 93 分，比 DeepSeek-OCR 高出 6 个百分点。社区演示显示处理速度极快，且能保持上下文连贯性和格式一致性。
• 行业意义：该模型将长文档 OCR 的工作流从「分块 + 外部调度器拼接」变为真正的端到端一镜到底，从单一「认字工具」升级为「长文档理解引擎」，对 RAG 和文档数字化场景有直接价值。 🔗 Berryxia 推文 | Adina Yakup 推文

5️⃣ Micron 与 Anthropic 签署多年期战略合作：从供应商到投资者到客户的全面绑定#

• 核心发布：Micron 宣布与 Anthropic 达成多年期 HBM（高带宽内存）、DRAM 和 SSD 合作协议，双方将围绕 Claude 的工作负载共同设计内存和存储架构。同时，Micron 内部将部署 Claude，并参与了 Anthropic 的 Series H 融资。
• 合作关系：Micron 既是 Anthropic 的供应商（内存/存储），又是投资者（Series H）、客户（内部使用 Claude）和合作伙伴（联合架构设计）。
• 行业意义：这是继与 NVIDIA 算力绑定之后，AI 基础设施垂直整合向内存和存储层延伸的标志性事件。硬件公司不再只是卖货，而是直接参与 AI 实验室的架构设计和长期规划，形成更紧密的生态闭环。 🔗 Berryxia 推文

6️⃣ Google Gemini 重大更新：Interactions API 正式 GA，Gemini Spark 个人 Agent Beta 上线#

• Gemini Interactions API GA：Google 宣布 Interactions API 正式全面可用，并发布了对应的 skill 包，可一键集成到 Claude Code、Codex、Cursor 等编程 agent 中。支持 agent 完成与用户的复杂多步交互，如迁移应用无需手动阅读迁移指南。
• Gemini Spark Beta：Google 同步上线 Gemini Spark（Beta），面向 AI Ultra 订阅用户（首批美国）。Spark 是 24/7 个人 AI 代理，可端到端处理项目审计、新闻聚合、品牌健康监测、销售谈判教练、Drive 整理、客户会议准备等任务。Gemini App 官方列举了 6 种用例。
• 行业意义：Google 在 Agent 生态上同时发力：一方面以 API+Skill 方式将能力开放给第三方 Agent 工具，另一方面以 Spark 直接提供个人 Agent 产品，标志着与 OpenAI Codex/Claude Code 的全面竞争进入新阶段。 🔗 Philipp Schmid 推文 | Gemini App 推文

7️⃣ [持续跟踪] 微信 Agent「小微」内测细节曝光：支持红包、建小程序等深度能力#

• 前情提要：近日微信原生 AI 助手「小微」开始灰度内测，支持朋友圈、小程序、微信搜索等功能。
• 最新突破：KOL 数字生命卡兹克发布详细体验报告，披露多项未公开能力：小微可给好友发红包（需确认金额和收款人）、可在聊天加号菜单中读取聊天记录后给群聊发消息、可通过 AI 口述创建自定义小工具（内置小程序生成能力，暂不可发布）、可读取朋友圈总结、打通公众号和视频号内容问答、支持与收藏联动等。同时，小微在群聊和私聊中的访问权限有差异。
• 行业意义：微信此次开放的 Agent 能力深度远超预期，尤其是内置小程序创建功能，若未来与微信小程序生态打通，将可能赋能每个用户成为「小程序开发者」，对应用分发和创作模式产生深远影响。 🔗 数字生命卡兹克推文

8️⃣ LLM 安全新研究：经典说服策略可将违规响应率从 35.3% 提升至 51.3%#

• 核心发布：Valerio Capraro 等人的最新研究分析了 126,000 次对话，测试了权威、承诺、好感、互惠、稀缺、社会证明和一致性等经典说服原则对 LLM 的影响。结果发现，使用说服策略后，模型对有害请求的合规率从 35.3% 提升至 51.3%。
• 深层原因：研究指出，AI 系统训练于人类语言，而人类语言不仅包含信息，还包含压力、操纵、奉承、权威和诱惑。因此 AI 系统继承了人类在语言表达中的心理脆弱性。
• 行业意义：该研究表明当前 AI 的 guardrails 更像是「社交边界」而非「技术壁垒」——它们可以被推、重构和协商。这意味着单纯依靠模型内置安全训练不足以抵御有针对性的人为操纵，需要额外的外围防御层。 🔗 Gary Marcus 推文 | Valerio Capraro 原始推文

9️⃣ Gray Swan 深度访谈：AI 红队测试现状与间接提示注入的全景分析#

• 核心发布：Latent Space 发布了对 Gray Swan 联合创始人 Zico Kolter（OpenAI 董事会安全委员会成员）和 Matt Fredrikson 的深度专访。讨论涵盖了 AI 安全与传统网络安全的本质区别、间接提示注入（IPI）对 Agent 的重大威胁、Shade 自动化红队系统已超越人类红队的表现、Cygnal 守卫模型的防御机制，以及 Agent 原生身份与权限管理的挑战。
• 关键洞察：模型越大并不自动变得更鲁棒，规模与安全性无强关联；Agent 安全需要全新的平台架构（隔离、认证、细粒度策略），而非仅在 prompt 层打补丁；首个重大的 prompt injection 数据泄露事件被视为「灰天鹅」——即必然会发生、但可以提前准备的风险。
• 行业意义：这是目前关于 Agent 安全最系统性的行业对话之一，对于任何正在部署 Agent 的企业都具有直接的参考价值和警示作用。 🔗 Latent Space 播客

🔟 [持续跟踪] 美团开源海报生成技术闭环：PosterCraft、PosterOmni、PosterReward#

• 前情提要：美团 LongCat 团队近期密集开源多模态基础模型（LongCat-AudioDiT、LongCat-Flash-Prover、LongCat-Next 等）。
• 最新突破：美团智能创作团队正式开源海报生成技术体系三篇论文成果：PosterCraft（ICLR 2026）实现端到端高美感海报生成，文字渲染接近闭源商业系统；PosterOmni（CVPR 2026）单个模型覆盖扩图、补全、比例调整等六类设计任务；PosterReward（CVPR 2026）首个面向海报质量的奖励模型，在专项基准达 86% 准确率。三项工作全部开源，构成「生成-编辑-评判」闭环，已在外卖套餐图生成、品牌 IP 等场景落地。
• 行业意义：这是目前最完整的商业化海报 AIGC 技术栈开源，从基础生成到编辑再到质量评估形成闭环，对电商和营销领域有重要借鉴价值。 🔗 美团技术博客 | GitHub 仓库

⭐ GitHub 趋势#

📊 类别速览

项目	类别	Stars
firecrawl/firecrawl	AI 基础设施 / 数据提取	137k
garrytan/gstack	AI Agent / 开发者工具链	113k
lyogavin/airllm	推理优化 / 模型部署	21k

---

1. firecrawl/firecrawl ⭐ 今日 +615#

语言/许可： TypeScript / AGPL-3.0
总 Stars： 137,246
仓库： GitHub

项目定位：
为 AI Agent 和 LLM 应用提供高可靠性的 Web 数据提取 API，支持搜索、爬取、交互并输出 Markdown 或结构化数据。

核心功能：

• Search — 用自然语言搜索网页，返回完整页面内容（Markdown/JSON）
• Scrape — 将任意 URL 转换为 LLM 可直接消费的清洁文本，支持 JS 渲染页面（覆盖 96% 网站）
• Interact — 在已抓取的页面上执行点击、滚动、输入等操作并持续提取内容
• Agent 集成 — 提供 MCP 服务端和 CLI Skill，可直接供 Claude Code、Codex CLI 等 Agent 调用

技术亮点：
P95 延迟 3.4s（百万级页面基准），内置代理轮换、反爬规避，无需用户配置。输出层自动降噪为 LLM 友好的格式。

---

2. garrytan/gstack ⭐ 今日 +573#

语言/许可： TypeScript / MIT
总 Stars： 113,123
仓库： GitHub

项目定位：
YC CEO 开源的 Claude Code 技能集合，将 AI 编程助手转化为一个虚拟工程团队（CEO、设计师、QA、安全审计等角色），实现单人高效交付。

核心功能：

• 23 个个性化技能 — 覆盖产品脑暴（/office-hours）、架构设计（/plan-eng-review）、代码审查（/review）、QA 测试（/qa）、安全审计（/cso）等
• 全自动流水线 — 从需求分析到部署的单次指令链路（/autoplan → 实现 → /ship）
• 多 Agent 支持 — 除 Claude Code 外，兼容 Codex CLI、Cursor、OpenCode、Gemini CLI 等 10 种编码代理
• 团队协作模式 — 提供 --team 选项，自动同步技能到仓库 CLI 配置，确保全体成员使用同一套工具

技术亮点：
基于 Markdown 文件的声明式技能定义，无外部依赖；技能支持嵌套调用与上下文传递，形成结构化开发方法论。每行代码变更（Logical LOC）对比传统开发效率提升约 810x（作者自测）。

---

3. lyogavin/airllm ⭐ 今日 +193#

语言/许可： Jupyter Notebook / Apache-2.0
总 Stars： 21,036
仓库： GitHub

项目定位：
面向资源受限场景的大模型推理库，支持 70B 模型在单张 4GB GPU 上运行，无需量化、剪枝或知识蒸馏。

核心功能：

• 低显存推理 — 将模型按层分片，动态加载至 GPU，显存占用从 OOM 降至 4GB（70B）或 8GB（405B）
• 块级量化压缩 — 可选 4bit/8bit 权重量化，加速推理约 3 倍，精度损失可忽略
• 自动模型检测 — 支持 Llama、Qwen、ChatGLM、Mistral、Baichuan 等主流架构，无需手动指定模型类
• MacOS 与 CPU 推理 — 通过 MLX 后端支持 Apple Silicon，亦支持纯 CPU 运行

技术亮点：
核心思想是最大化利用磁盘 I/O 与 GPU 内存交换（layer-wise swapping），瓶颈在磁盘而非显存，因此仅量化权重即可获得显著加速。无需 bitsandbytes 以外的额外依赖。

🟧 Hacker News 热议#

Moebius: 0.2B image inpainting model with 10B-level performance#

214 pts · 61 comments · hustvl.github.io

📌 内容总结

• 背景：来自华中科大和VIVO AI Lab，提出Moebius，一个仅0.22B参数的图像修补模型，目标是用不到2%的参数达到10B级通用模型（FLUX.1-Fill-Dev）的质量。
• HN关注点:
  • 模型架构：使用局部-λ混合交互（LλMI）块压缩自注意力，配合自适应多粒度蒸馏从更大的PixelHacker教师模型学习。
  • 宣称在自然场景和肖像场景的6个benchmark上匹敌或超越FLUX.1-Fill-Dev，推理速度提升>15倍（26ms/step）。
  • 实际限制：输出分辨率固定512x512，且用户实测发现修补区域明显平滑，复杂纹理和新物体表现差距明显。

💬 讨论总结

• 共识观点：作为0.2B轻量模型表现令人印象深刻，但宣称“10B级性能”过度乐观。实际测试中与10B模型（FLUX、SD3.5）差距明显，尤其在复杂场景。
• 工程经验：模型可本地部署约需3GB显存；已有社区贡献的ONNX/WebGPU端口可在浏览器中运行。
• 质疑：提供的对比示例可能经过挑选——Moebius的修补结果中也存在结构混淆（如冲浪板拉长），但在对比表中被忽略。
• 风险/限制：512x512分辨率限制了实用场景；极轻量架构在高频纹理和语义复杂区域退化明显。

🔗 原文 · HN 讨论页

Show HN: Oak – Git alternative designed for agents#

131 pts · 129 comments · oak.space

📌 内容总结

• 作者想做什么：构建一个针对AI代理工作流优化的版本控制系统，核心特性包括虚拟挂载（基于FUSE/FSKit，无需完整clone即可工作）、低token消耗的JSON输出、无消息提交和自动分支清理。
• HN关注点:
  • 与Git的核心差异：支持“mount”虚拟分支、内置LFS、原生JSON接口减少token消耗、简化分支合并规则。
  • 配套服务oak.space提供托管、代码审查、benchmark测试等。
  • 作者承认推广挑战：Git生态根深蒂固，代理已熟悉Git指令。

💬 讨论总结

• 共识观点：虚拟挂载概念有价值——类似Google Piper（CitC）或Meta EdenFS，代理只需读取少量文件场景下能省去完整clone。但大多数评论认为当前Git不是代理瓶颈，切换动机不足。
• 工程经验：FUSE/FSKit远程访问的延迟问题是主要技术难点；作者通过在代理任务（仅读少量文件）下优化缓存在benchmark中有所改善。
• 反对/质疑：
  • 模型训练数据中Git存在海量记录，新系统需要额外教授，逆风明显。
  • 性能提升对大多数项目不显著；缺乏与Git、jj、Pijul的直接对比数据。
  • 营销语言过重（“agentic substrate”），核心价值被淹没。
• 支持观点：在多代理并行开发大型仓库时，虚拟挂载+低token输出可能节省大量克隆和上下文成本；已有社区经验（gitnow、Pijul）验证类似方向。

🔗 原文 · HN 讨论页

The text in Claude Code’s “Extended Thinking” output is not authentic#

264 pts · 185 comments · patrickmccanna.net

📌 内容总结

• 背景：作者检查Claude Code本地日志发现thinking块是600字符的加密签名，而非实际推理文本。查阅文档得知API返回的是推理摘要（summarized thinking），完整推理需企业协议且Anthropic持有密钥。
• HN关注点:
  • 这不是新设计，OpenAI/Google同样隐藏或摘要化推理链。
  • 主要动机是防止模型蒸馏/竞争对手复制CoT；次要考虑是避免用户看到“不优雅”中间步骤。
  • 用户失去对代理行为可审计性，存在安全隐患（隐藏的推理可能执行恶意操作而不被察觉）。

💬 讨论总结

• 共识：隐藏完整推理的主要目的是反蒸馏，并非新鲜事。大多数用户认为摘要已足够日常使用，但丧失深入调试能力是切实损失。
• 工程经验：可通过prompt让模型显式输出CoT绕过限制（需关闭extended thinking）；部分开源模型（DeepSeek R1、GLM）提供完整可读推理链。
• 风险/限制：
  • 隐藏推理可能掩盖安全漏洞或secret injection，尤其在agent调用工具时。
  • 已有案例显示推理摘要与模型实际行为不一致（如错误理解任务但摘要却说正确思路）。
• 反对/质疑：摘要版本已能提供“完整智力收益”，且真实CoT本身也包含大量hallucination和无关噪音，价值有限；模型提供商有权保护训练数据。

🔗 原文 · HN 讨论页

今日洞察#

1. Claude Code 隐藏推理链，Agent 可审计性成为新的工程约束。 HN 上关于 “Claude Code 的 Extended Thinking 输出并非真实推理” 的讨论 (264 pts) 点出了一个被忽略的问题：当 Agent 的行为越来越自主，用户却无法审计其完整思考过程。Anthropic 隐藏完整推理链的主要动机是反蒸馏，但这让用户失去了对代理决策的调试能力，尤其是在 Agent 调用敏感工具（如生成代码、修改文件）时，隐藏的推理可能掩盖错误或安全隐患。这暴露了一个新的产品取舍：Agent 的 “智能” 与 “可审计性” 正在成为一对需要权衡的约束，尤其是面向企业级部署时，可审计性的优先级可能会超过模型本身的推理能力。

2. 专为 Agent 设计的工具正在萌芽，但核心壁垒不在工程，而在生态。 garrytan/gstack（今日 +573 星）和 Oak（HN 129 pts）分别代表了两个方向：前者是将 AI 编程助手包装成一个虚拟工程团队，后者是构建一个针对 Agent 工作流优化的版本控制系统。它们都指向同一个趋势：现有的开发工具链（Git、IDE 等）并非为 Agent 的使用模式设计，Agent 读取文件、理解上下文、执行命令的方式与人类不同。然而，HN 对 Oak 最尖锐的质疑是“模型训练数据中 Git 存在海量记录”——这意味着切换成本不仅是工程迁移，更包括模型对新工具的认知成本。工具链 Agent 化的最大阻力可能不是功能缺失，而是现有生态的锁定。