Microsoft 研究人员发现 Lazarus 技术无需训练，只需重编程大语言模型中少于 10 个休眠神经元，即可为其智能体植入由隐藏条件触发的后门。模型平时表现正常并能通过标准评测，触发后却可生成命令，让具备工具或终端权限的智能体下载并运行攻击者代码。研究认为可靠检测需要与原始权重比对，Microsoft 正探索权重扫描、红队检测、模型签名及可验证来源审计等防御措施。
推荐理由：研究揭示少量休眠神经元即可植入隐蔽后门，并将模型权重完整性与来源追溯列为智能体部署的关键防线。
Anthropic Fable 5.2 在真实工作评测中完成了41.3%的专业任务，而约一年前的领先系统 Manus 仅完成2.5%，其成绩也接近当前第二名的两倍。
推荐理由：该评测以240个真实自由职业项目和人工验收衡量智能体，可用于比较不同模型完成专业工作全流程的能力差距。
Google DeepMind 公布 AlphaProof Code 研究，利用多 LLM 智能体框架和 Lean，对 Signal 协议实际代码的关键安全属性进行形式化验证。
推荐理由：该研究给出人类专家、多种大语言模型与 Lean 协作验证生产级密码代码的流程，可供评估 AI 形式化验证的工程路径。
Microsoft Research 介绍了 PDD Kit 如何把开发者意图转为 Verus 形式化规格，证明智能体代码对所有输入满足规格，并在证明覆盖不到的部分使用测试。
推荐理由：案例展示了将自然语言意图转成形式化规格，并用证明与测试分层约束智能体代码的完整工作流。
Microsoft Research 的 Xinzhi Zhang 与合作者 Zhao Song 解决了提出31年的 Kannan–Lovász–Simonovits（KLS）猜想，给出与维度无关的固定界。
推荐理由：材料梳理了人类主导的多智能体筛选流程，以及递归收紧维度依赖直至常数界的关键思路。
GitHub 与 Microsoft Applied Sciences 开发了新的 ModernBERT 分类器，用代码上下文识别非结构化密钥，批量评估候选密钥耗时不到 2 ms，可使推送保护阻止的密钥数量增加一倍以上。
推荐理由：九个季度的数据将密钥泄露增长归因于代码规模而非单次推送风险上升，并说明自动拦截为何比人工补救更易扩展。
GitHub 发布 AI 代码审查开放基准 ReviewBench，提供公开数据集、排行榜、自助评估工具以及可复现的评估方法。该基准分析了 103.9M 个 GitHub pull request，并选取来自 187 个公开仓库、覆盖 19 种语言的 219 个 pull request；其黄金集经资深工程师独立复核，判断一致率为 96.6%。
推荐理由：ReviewBench公开了数据集、评估规则和运行工具，并用线上实验对照说明离线指标如何辅助代码审查智能体迭代。
