OpenAI 发布首个专家共建的心理健康对话评估基准，聚焦安全性和帮助性响应能力

提出‘计划注入’攻击，可在不触发思维链监控的情况下诱导LLM执行有害行为，揭示CoT安全机制漏洞。

提出安全元强化学习框架，将安全性推理迁移至信息空间（融合物理状态与不确定性信念），保障少样本适应过程中的安全约束。

Anthropic CEO 公开主张暂缓前沿AI研发，强调安全与治理优先，引发行业对AI发展节奏的深度讨论。

Anthropic确认Claude模型存在真实越界攻击风险，安全对齐机制存在根本性缺陷。