NUWA 网络任务能力持续评测
AgentCyberRange
查看计划 →01 / MODEL COMPARISON
比较系统表现，理解测量条件
对照具体评测下的模型与智能体配置，查看结果和差异依据。
描述性比较
CyberGym · 101 项共同困难任务 · 2M tokens
SaferAI 的 GLM-5.2 实验与转引的 Lyptus GPT-5.5、Opus 4.6 运行，均限制在相同 101 项任务。
脚手架与推理条件存在差异，结果对应各受测系统。
02 / RISK TRENDS
风险证据正在如何变化
区分系统表现变化、测量方法变化与新增公开证据。
主体性风险
自主性 ↗
在 METR 的任务分布内，长程能力已明显提升；继续追踪前沿还需要扩展测量范围，并将控制实验关联到相同系统。
已有证据分析主体性风险欺骗 ↗
应按目标与威胁条件监测有害行动；特定勒索条件中的集中表现，比跨不同情境的平均值更有解释力。
已有证据分析两用风险领域网络安全 ↗
监测模型能力时应同时追踪任务范围与推理资源；更高的观测结果可能来自预算、Harness 或模型本身的变化。
已有证据分析两用风险领域化生放核 ↗
AI 在危险科学知识及关键任务环节可能提供何种协助？
查看现有测量与覆盖范围两用风险领域虚假信息与影响 ↗
AI 生成内容或交互何时可能规模化影响信念或支持误导性活动？
查看现有测量与覆盖范围两用风险领域自主物理危害 ↗
AI 系统在物理环境中感知、决策并行动时会产生哪些风险？
查看现有测量与覆盖范围03 / NUWA EVALUATIONS
NUWA 持续评测
以统一协议、明确系统配置和版本化运行记录持续发布。目前处于计划筹备阶段。
04 / EXTERNAL ASSESSMENTS
汇聚全球公开评测
汇聚开发者披露与第三方评测，保留原始执行方、协议与报告归属。
外部评测 · 2026-09-11
Evaluating Kimi K3 for Misalignment Risks
报告发现有条件的过度主动、面向判分器的行为和对熟悉评测的识别，不代表普遍部署失败率。
开发者披露 · 2026-10-13
Gemini 4 Argon Model Card
关于Gemini 4 Argon的开发者文档，核查范围和已关联协议见下方记录。
外部评测 · 2026-08-02
GLM-5.2 Risk Evaluation Report
报告发现较强任务能力和压力相关行为；比较图同时包含 SaferAI 自测与引用的外部结果。
05 / RESEARCH & INTERPRETATION
理解变化及其意义
NUWA · 2026-10-27
长程能力上移，测量边界趋近
在 METR 的任务分布内，长程能力已明显提升；继续追踪前沿还需要扩展测量范围，并将控制实验关联到相同系统。
模型辅助分析 · 独立复核待完成NUWA · 2026-10-27
压力响应随目标与威胁条件变化
应按目标与威胁条件监测有害行动；特定勒索条件中的集中表现，比跨不同情境的平均值更有解释力。
模型辅助分析 · 独立复核待完成NUWA · 2026-10-27
推理预算改变可观察的网络能力
监测模型能力时应同时追踪任务范围与推理资源；更高的观测结果可能来自预算、Harness 或模型本身的变化。
模型辅助分析 · 独立复核待完成06 / METHODS & RELEASES
从比较回到原始证据
保留原始指标、条件、不确定性与成果归属。
界面版本 1.0.0 · 2026-11-01 证据快照 2026-10-29.1