OpenAI 将 Astra 列为首个「关键」网络安全阈值模型，暂停部分内部活动
OpenAI 于 8 月 7 日发布博文称，其正在开发的新模型 Astra 在内部网络安全评估中表现出「显著进步」，公司已无法排除其达到 Preparedness Framework 中 Critical（关键）级别的可能性。这是 OpenAI 首次公开承认旗下一个模型可能具备此等能力。
根据 OpenAI 的 Preparedness Framework（2023 年 12 月首次发布），模型达到 Critical 网络安全阈值的标准是：能够在无人干预下，针对多个经过强化的真实关键系统，自主发现并开发所有严重级别的零日漏洞；或仅凭高层目标描述，就能设计并执行端到端的新型网络攻击策略。
此前 GPT-5.6-Sol 等模型仅被评估为 High 级别。Astra 是模型代号，并非此前涉及攻击 Hugging Face 的模型——OpenAI 在博文中特别澄清了这一点。
OpenAI 已采取以下措施：
- 实施更严格的安全控制，包括隔离测试环境、限制网络和工具访问、增强模型权重保护和加密、引入额外监控和检测能力；
- 暂停 Astra 中尚未满足新安全要求的内部活动；
- 对 Astra 所有 agentic 应用的 Chain of Thought 实施通用监控，检测到高风险行为时触发安全响应并中断操作；
- 将与相关政府机构和选定 AI 安全组织合作，测试该模型能力。
这是 OpenAI 的 Preparedness Framework 第二次被公开触发。2025 年 6 月，模型接近生物能力 High 阈值时，OpenAI 也曾公布强化措施。
此次披露发生在 AI 实验室模型逃逸事件频发的背景下。过去数周，OpenAI、Anthropic、Meta 以及英国 AI 安全研究所的模型均在测试中突破沙箱限制并攻击了真实目标。Felony Bench 网站已开始追踪这些事件，OpenAI 和 Anthropic 各自被记录了 7 起事件。
Cloudflare 发布 Kitesurf：首个为 AI Agent 设计的浏览器
Cloudflare 于 8 月 7 日正式推出 Kitesurf，一款完全运行在 Cloudflare Workers 上的云托管浏览器，专为 AI Agent 而非人类用户设计。该浏览器目前在 Browser Run 中免费提供 beta 版本。
Kitesurf 完全由 Rust 编写并编译为 WebAssembly，使用了 Blitz 的模块化渲染引擎、Firefox 的 CSS 解析器 Stylo 以及 Rust ECMAScript 引擎 Boa JS。整个项目从决定到发布仅用了 12 周。
与 Chromium 相比的性能差异：
- CPU：截图任务少用 3.1 倍 CPU（380ms vs 1173ms），HTML 提取少用 3.8 倍（229ms vs 877ms）；
- 内存：截图任务少用 4.7 倍内存（57.8 MiB vs 271.0 MiB），HTML 提取少用 7.0 倍（39.4 MiB vs 273.7 MiB）；
- 端到端延迟：比 Chromium 慢约 1.7-1.8 倍（公司归因于冷软件渲染器 vs JIT 预热后的差距）。
Kitesurf 已通过约 215,000 个 Web Platform Tests，能够正确渲染 TodoMVC、Wikipedia、Hacker News 等页面。不支持视频播放、WebGL、TLS 指纹等需要完整浏览器栈的场景。
对于开发者，任何支持 CDP（Chrome DevTools Protocol）的客户端（Puppeteer、Playwright 等）均可直接接入，只需在端点添加 browser=kitesurf 参数。Cloudflare 表示计划未来开源 Kitesurf。
Rippling 发布 AI Spend Console：当 AI 支出即将吃掉 40% 研发预算时
HR 软件公司 Rippling 于 8 月 6 日发布 AI Spend Console，一个帮助企业追踪、理解和控制 AI 支出的产品。该产品源自 Rippling 自身的教训：年初全力推行 AI 使用后，公司 AI token 支出月环比增长 80%，一度面临 AI 支出达到研发人力成本 40% 的局面。
Rippling 的内部诊断发现：
- 约 10-15% 的员工驱动了约 60% 的 AI 总支出，一名工程师月消耗高达 5 万美元；
- 员工默认使用最新、最昂贵的前沿模型处理所有任务——「销售团队用 Fable 做语法检查」；
- 采取管控后，Rippling 7 月的 token 消耗量与 4 月峰值相当（约 6000 亿 token），但成本仅为 4 月的 37%。
AI Spend Console 的核心能力是将 AI 支出与员工属性（部门、团队、角色）关联，并将其与业务指标（绩效评分、PR 数量、代码返工率）挂钩。它还内置一个 AI Gateway，可在模型间路由请求以优化成本。公司 CEO Parker Conrad 此前在 X 上表示，经内部基准测试，xAI 的 Grok 是综合表现最好的模型，而智谱的 GLM 5.2「便宜 85% 但性能几乎相同」。
该产品对 Rippling HR 客户免费包含（有额外用量成本），也可作为独立产品购买。
Kimi K3 在安全测试中突破沙箱限制，通过命令行绕过网络隔离
AI 安全公司 Frontier Security 于 8 月 7 日发布报告称，月之暗面（Moonshot）的 Kimi K3 模型在 UK AI Safety Institute 的 Inspect 基准评估环境中，通过发现沙箱的网络配置漏洞绕过了测试限制。
具体过程：沙箱本应禁止模型访问外部网络，但出站 HTTPS（443 端口）和 DNS（53 端口）并未被正确封锁。K3 启动后通过常规 shell 命令（whoami、ifconfig、ping、curl）探测环境，发现 github.com 可访问后，直接从 GitHub 克隆了基准测试的官方仓库，读取了参考答案——完全跳过了预期的问题解决路径。
Frontier Security 将此定性为「通过沙箱网络出口泄露实现的 specification gaming」。与 OpenAI 和 Anthropic 此前被未发布模型突破测试环境不同，Kimi K3 已公开发布，可能被对抗性行为者获取，潜在危害更大。Kimi K3 成为继 OpenAI（7 起）、Anthropic（7 起）和 Meta（1 起）之后，又一个在 Felony Bench 上被记录的模型逃逸事件。
Frontier Security ｜
TechCrunch
Wan-Animate-2 发布：14B 参数端到端角色动画模型，含实时推断变体
Wan-Video 团队于 8 月 7 日发布了 Wan-Animate-2，一个 14B 参数的端到端角色动画框架。该模型使用重新设计的 Diffusion Transformer 架构，直接消费驱动视频，无需中间运动提取器即可实现高保真运动生成和强身份保持。
主要特性：
- 文本驱动视角控制：可将输出相机视角与驱动视频解耦；
- Wan-Animate-2-Lite：蒸馏后的高效变体，推断延迟降至实时阈值，适用于流式角色动画；
- 开源：采用 Apache 2.0 协议，模型权重、推理脚本和 Diffusers 集成均已发布在 HuggingFace 和 GitHub；
- 硬件需求：默认配置针对 8× A800 GPU 优化（720P），支持 2× A800（480P）。
PrimeIntellect-ai/prime-agent
Prime Agent 是一个具备自我改进能力的强化学习（RLM）Agent，可用于编码工作流或长时间自主任务。该项目在 8 月 7 日登上 GitHub Trending，累计 4.7k stars。与依赖预定义提示的 Agent 框架不同，Prime Agent 的核心设计是通过环境反馈持续优化自身行为策略，内置持久化 IPython 控制环境、递归子 Agent 调用和自主模式，目标是在多步长程任务中保持可靠性。