[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-mythos-security-scare-cyber-audit-playbook-zh":3,"article-related-mythos-security-scare-cyber-audit-playbook-zh":30,"series-industry-f7ccc226-e5e5-428d-b678-d130c1210e80":77},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"f7ccc226-e5e5-428d-b678-d130c1210e80","mythos-security-scare-cyber-audit-playbook-zh","Mythos 把安全驚嚇變稽核流程","\u003Cp data-speakable=\"summary\">我把 \u003Ca href=\"\u002Ftag\u002Fanthropic\">Anthropic\u003C\u002Fa> 的 Project Glasswing 拆成一套可直接複製的 cyber audit 工作流。\u003C\u002Fp>\u003Cp>我盯 AI 安全這件事很久了，老實說，很多說法我已經聽到膩。模型會寫 code，就開始有人把它講成防禦神器；模型會推理，就有人想把它塞進敏感系統。問題是，會寫一段 Python 跟能碰真實資安環境，根本是兩回事。我不吃這套包裝，因為真要出事，沒人會替你把 demo 的漂亮話收尾。\u003C\u002Fp>\u003Cp>這次真正勾到我的是 CNBC 這篇 \u003Ca href=\"https:\u002F\u002Fwww.cnbc.com\u002F2026\u002F06\u002F23\u002Fanthropics-mythos-model-found-vulnerabilities-in-classified-us-government-systems-official-says.html\" target=\"_blank\" rel=\"noreferrer noopener\">報導\u003C\u002Fa>。它講的不是「模型很會聊天」，而是 Anthropic 的 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002F\" target=\"_blank\" rel=\"noreferrer noopener\">Anthropic\u003C\u002Fa> 模型 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fnews\" target=\"_blank\" rel=\"noreferrer noopener\">Mythos\u003C\u002Fa>，在跟美國情報相關的測試裡，居然能在幾小時內找出高度敏感系統的漏洞。這種事一方面很猛，一方面也很煩，因為它逼你面對一個很現實的問題：到底是在測模型，還是在測你自己的流程爛不爛。\u003C\u002Fp>\u003Cp>我想偷的不是新聞標題，是背後那套方法。真正有用的不是「AI 很可怕」或「AI 很強」，而是成熟團隊已經開始把 frontier model 當成激進稽核員，用 sandbox、權限、人工審查把它框起來。這才是我想拆的 playbook。\u003C\u002Fp>\u003Cp>觸發我整理這篇的公開錨點，就是 CNBC 這篇基於 Associated Press 的整理稿，另外也提到 \u003Ca href=\"https:\u002F\u002Fapnews.com\u002F\" target=\"_blank\" rel=\"noreferrer noopener\">AP\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.banking.senate.gov\u002F\" target=\"_blank\" rel=\"noreferrer noopener\">參議院銀行委員會\u003C\u002Fa>聽證，以及 Anthropic 的 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fnews\" target=\"_blank\" rel=\"noreferrer noopener\">Project Glasswing\u003C\u002Fa>。原文沒有提供觀看數或書籤數，所以我不亂編。\u003C\u002Fp>\u003Ch2>先別把模型當產品 demo，先把它當稽核員\u003C\u002Fh2>\u003Cblockquote>“This tool broke into almost all of our classified systems, not in weeks but in hours.”\u003C\u002Fblockquote>\u003Cp>這句話很衝，但我覺得最重要的不是它多嚇人，而是它把模型的角色講清楚了。這不是拿來當一般聊天助理，也不是拿來比誰回得漂亮。它是在一個受控目標上找弱點，速度越快越好。這跟產品評估完全不同。產品評估看的是有沒有幫助、語氣順不順、延遲高不高；資安評估只看一件事，這東西能不能比人更快挖出人沒看到的洞。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782373723211-cjth.png\" alt=\"Mythos 把安全驚嚇變稽核流程\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我自己做內部 red-team 類測試時，最怕團隊把模型講成「功能」。一旦這樣講，大家就會開始優化錯東西：看到一個很漂亮的回答就興奮，卻忘了那回答是不是有證據；看到模型說「沒問題」就放心，卻沒問它到底有沒有真的查過。CNBC 跟 AP 的敘述其實很克制，它們講的是「找到漏洞」，不是「完成入侵」，這個差別大到不能混。\u003C\u002Fp>\u003Cp>白話講就是：你如果要用模型做資安，不要先問它聰不聰明，先問它在這次任務裡是什麼角色。是 advisor、scanner、recon assistant，還是模擬攻擊者？角色不先定義，後面全部都會歪掉。\u003C\u002Fp>\u003Cp>實操上我會這樣做：先寫一段任務說明，把模型定位成「只能找候選弱點」或「只能協助驗證」，然後把成功標準寫死。比如：找到幾個候選問題、每個問題的證據品質、是否可重現、是否有人工可驗證的影響路徑。你如果連一句話都講不清楚模型的角色，那通常不是模型太強，是你自己混了產品測試跟安全測試。\u003C\u002Fp>\u003Cp>還有一個很現實的點。Anthropic 這次是透過 Project Glasswing 跟美國情報單位一起做測試，這代表它不是大家想像中那種「把模型丟進真實國防系統亂跑」。它是受控的。你要做類似的事，也得有書面範圍、停損機制、審查關卡，不然你不是在做資安，你是在做事故彩排。\u003C\u002Fp>\u003Ch2>幾小時很重要，但前提是你先搞懂「找到」是什麼意思\u003C\u002Fh2>\u003Cp>大家最愛拿來轉貼的，就是「不是幾週，是幾小時」這句。Sen. Mark Warner 在 6 月 11 日聽證會上的說法很有力，因為很好記；但我覺得它也最容易被誤讀。AP 引述的官員說，模型是在幾小時內識別出漏洞，這不等於它在同樣時間內完成了真正的利用。這條線不劃清楚，整個討論就會歪。\u003C\u002Fp>\u003Cp>我把這件事翻成白話：模型很會找候選弱點，不代表它已經是一個完整攻擊者。資安裡 discovery 跟 exploitation 本來就是不同階段。掃描器可以告訴你門沒鎖，不代表它能自己開門、關警報、還順手擦掉指紋。很多人一聽到「找到漏洞」就開始腦補成「已經被攻破」，這種理解方式很危險。\u003C\u002Fp>\u003Cp>我以前帶過一輪內部測試，團隊一開始很緊張，因為模型幾分鐘就吐出一堆看起來像樣的問題。結果我們一條條查下去，才發現大半是 pattern matching，真正能重現的只有少數。那次最有價值的，不是模型多神，而是我們終於把「發現」「驗證」「影響」拆開了。\u003C\u002Fp>\u003Cp>實操寫法我會直接切三段：\u003C\u002Fp>\u003Cul>\u003Cli>Discovery：讓模型列出可疑弱點、錯誤設定、暴露面、權限邊界。\u003C\u002Fli>\u003Cli>Verification：要求證據，像是 log、截圖、重現步驟、封包紀錄。\u003C\u002Fli>\u003Cli>Impact：把技術嚴重性翻成業務影響，不要只寫 CVSS。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這樣做很土，但有效。你會少掉一堆假陽性，也比較不會把一個 typo 當成世界末日。\u003C\u002Fp>\u003Ch2>Project Glasswing 真正有料的地方，是它把 AI 變成受控測試架\u003C\u002Fh2>\u003Cp>CNBC 提到 Anthropic 的 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fnews\" target=\"_blank\" rel=\"noreferrer noopener\">Project Glasswing\u003C\u002Fa>，我覺得這才是整篇最值得偷的地方。不是模型名字，不是政治角力，而是流程設計。它把 frontier model 放進一個有邊界的安全測試框架裡，讓模型變成\u003Ca href=\"\u002Fnews\u002Fnew-nlp-papers-agent-memory-tool-use-zh\">工具\u003C\u002Fa>，不是神諭。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782373716867-ja59.png\" alt=\"Mythos 把安全驚嚇變稽核流程\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>白話一點說，就是 Anthropic 沒把模型包裝成萬能防禦器，也沒把它放任成無限制攻擊器。它比較像一個很兇的分析引擎：可以幫你枚舉 attack surface、提示可能的 exploit chain、幫你排序可疑路徑，但前提是你先把它關進籠子裡。這才合理，不然你只是把另一種盲點塞進系統。\u003C\u002Fp>\u003Cp>我之前拿通用模型做應用\u003Ca href=\"\u002Fnews\u002Fai-papers-code-music-rare-disease-zh\">程式\u003C\u002Fa>安全 triage 時就踩過這坑。它很會把相似問題歸類，但也會很自信地把不相干的 finding 硬湊在一起，還會自己補一段看似合理的因果。後來我才知道，問題不是「模型不夠聰明」，而是我沒把它放進一個逼它引用證據、比對基準、停止下判斷的流程。\u003C\u002Fp>\u003Cp>實操上你可以自己做一版 Glasswing harness：模型放 sandbox、工具權限縮到最小、輸入用 synthetic 或 redacted 環境、輸出全部記錄。你不要讓它直接碰 production write access，也不要讓它自己決定下一步該不該動手。只要會改狀態的動作，都要有人簽核。\u003C\u002Fp>\u003Cul>\u003Cli>用隔離帳號，絕對不要混到正式環境。\u003C\u002Fli>\u003Cli>每次 prompt、tool call、response 都要留 log。\u003C\u002Fli>\u003Cli>任何 remediation 或 exploit 驗證都要人工批准。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這不是官僚，這是防止實驗變事故。差很多。\u003C\u002Fp>\u003Ch2>政府那段不是 AI 恐慌，是採購與存取控制的現實課\u003C\u002Fh2>\u003Cp>報導裡還提到，美國政府後來限制了 Anthropic 某些模型的使用，並要求公司防止外國人使用最新系統 Fable 5 和 Mythos 5。Anthropic 的做法是把模型對所有客戶一起關掉來配合，但它也說，不認為政府的措施真的有必要。這段我看得很清楚：模型存取已經不是單純的軟體開關，而是政策面的一部分。\u003C\u002Fp>\u003Cp>白話講就是，你以前在意的是密碼、ACL、IAM；現在你還得在意誰能用、從哪裡用、供應商會不會半夜把模型關掉。這很煩，但它就是現實。當模型本身被視為國安風險時，vendor 的合規姿態就直接變成你的 threat model 一部分。\u003C\u002Fp>\u003Cp>我看過不少團隊把模型當成一般 SaaS，覺得「有帳號就能用」。問題是，這種前提在 frontier model 上根本不穩。你今天買的是能力，明天可能買到的是一個會被政策卡住的依賴。到那時候，法務、採購、資安如果還各做各的，最後一定會有人在事故回顧會上裝傻。\u003C\u002Fp>\u003Cp>實操上我會要求三個答案：\u003C\u002Fp>\u003Cul>\u003Cli>誰可以用？\u003C\u002Fli>\u003Cli>從哪裡可以用？\u003C\u002Fli>\u003Cli>如果 vendor 明天把模型停掉，備援怎麼跑？\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果這三題答不出來，你不是有部署計畫，你只是有一個還沒爆的依賴。\u003C\u002Fp>\u003Cp>再補一刀。政府這次的限制跟 Anthropic 的回應都告訴我們，就算模型是拿來做防禦測試，存取照樣可能因政策被切掉。所以你的資安流程不能建立在「這個頂級模型永遠都在」這種幻想上。要有 vendor diversity、fallback 工具，以及手動流程，才不會哪天 fancy 的東西沒了，整個團隊一起卡死。\u003C\u002Fp>\u003Ch2>別迷信單一模型，安全工作本來就該是模型組合拳\u003C\u002Fh2>\u003Cp>CNBC 也提到，有超過 100 位資安專家和來自 \u003Ca href=\"https:\u002F\u002Fwww.adobe.com\u002F\" target=\"_blank\" rel=\"noreferrer noopener\">Adobe\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002F\" target=\"_blank\" rel=\"noreferrer noopener\">NVIDIA\u003C\u002Fa> 的主管聯名說，Mythos 這類模型確實很會找漏洞、也很會武器化 exploit，但它並不是唯一特別強的那個。這點我反而同意。市場本來就不該押在單一模型上。\u003C\u002Fp>\u003Cp>白話講，\u003Ca href=\"\u002Fnews\u002Fself-distillation-shrinks-output-diversity-zh\">模型多樣\u003C\u002Fa>化是好事。你如果讓一個供應商壟斷安全助手，等於把所有判斷都綁在同一個失敗模式上。這種事我不想碰，也不建議任何要面對事後檢討的團隊碰。安全工作不是選偶像，是拼流程。\u003C\u002Fp>\u003Cp>我實際上也比較常把不同模型混著用。一個拿來發散找線索，一個拿來整理 log，一個拿來寫測試案例。沒有哪個可以當最後裁判。你一旦讓模型自己下結論，證據鏈就會開始糊掉。問題不是它會不會答，問題是它會不會答得太像真的。\u003C\u002Fp>\u003Cp>實操寫法我會直接做成 model portfolio：\u003C\u002Fp>\u003Cul>\u003Cli>一個模型負責廣泛 discovery。\u003C\u002Fli>\u003Cli>一個模型負責結構化 verification support。\u003C\u002Fli>\u003Cli>一個模型負責報告與摘要。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果兩個模型意見不一樣，不是拿平均值，而是回去看證據。還有，如果 open-source 模型已經能做八成工作，而且風險比較低，就別因為 demo 聽起來比較帥而硬上最貴的那個。那不是成熟，那是花錢買心理安慰。\u003C\u002Fp>\u003Ch2>先 red-team 模型，再 red-team 它所在的流程\u003C\u002Fh2>\u003Cp>我從這則新聞學到的，不是 Mythos 很危險，而是任何夠強的模型，最後都會把你系統裡最弱的地方照出來。它如果能很快找到漏洞，那你自己的審查、授權、封鎖、升級流程也得跟著快，而且得夠嚴。\u003C\u002Fp>\u003Cp>白話講，AI 資安工作其實有兩個 target：一個是被測的系統，另一個是 AI 自己參與的工作流。兩個都要測。模型如果能碰到敏感資料，代表你的權限設計有問題；分析師如果分不出假陽性跟真漏洞，代表你的 triage 有問題；供應商如果能隨時停掉模型，代表你的依賴管理有問題。問題不同，但都指向同一件事：流程不能靠感覺。\u003C\u002Fp>\u003Cp>我會很直接地說，很多團隊太愛看 shiny part，卻不願意碰 plumbing。shiny part 是模型找出一個很漂亮的 finding；plumbing 是到底有沒有人能安全地採取行動。真正的工程都在後者。\u003C\u002Fp>\u003Cp>實操上你可以安排兩種演練：第一種是讓模型攻擊受控目標；第二種是讓模型攻擊你的流程本身。它能不能用看似合理但其實錯的證據騙過分析師？它能不能製造 alert fatigue？它能不能讓 ticketing 系統把 finding 分錯類？這些問題都很煩，但這些才是你真的會遇到的。\u003C\u002Fp>\u003Cp>最後，我會把整個過程寫下來。不是為了 compliance 演戲，是為了下一個接手的人知道，當初為什麼要把模型放進這個位置、又是怎麼把它關回去的。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Frontier model cyber audit workflow（可直接改成你自己的版本）\n\n## 目標\n用 advanced model 在受控環境裡找出漏洞，但不給 production write access，也不給未審核的自主權。\n\n## 範圍\n- Target：isolated replica、synthetic environment、或 redacted staging system\n- Model role：discovery only，或 discovery + verification support\n- Human role：final verification、impact assessment、approval\n- Exclusions：no production mutation、no credential exfiltration、no unsupervised exploit execution\n\n## 輸入\n- 系統架構說明\n- 資產清單\n- 已知 threat model\n- 允許的工具列表\n- Logging requirements\n\n## 評估流程\n\n### 1) Discovery\n請模型列出可疑弱點。\n\n必填輸出：\n- suspected vulnerability\n- evidence source\n- confidence score\n- affected asset\n- why it matters\n\n### 2) Verification\n由人或另一個工具確認 finding。\n\n必填輸出：\n- reproducible steps\n- logs \u002F screenshots \u002F packet captures\n- false-positive check\n- severity estimate\n\n### 3) Impact analysis\n把技術問題翻成業務與資安影響。\n\n必填輸出：\n- technical severity\n- likely attack path\n- blast radius\n- remediation owner\n- remediation priority\n\n## Guardrails\n- Sandbox the model\n- Log every prompt, tool call, and response\n- Require human approval before any state change\n- Use least-privilege credentials\n- Disable outbound access unless explicitly needed\n- Rotate test credentials after each exercise\n\n## 報告格式\n- Finding ID\n- Summary\n- Evidence\n- Verification status\n- Impact\n- Recommended fix\n- Owner\n- Due date\n\n## Model comparison\n至少跑兩個模型：\n- 一個負責 broad discovery\n- 一個負責 structured verification support\n\n如果兩個模型意見不同：\n- 先看 evidence\n- 不要平均答案\n- 直接升級給人審\n\n## Exit criteria\n- 所有 findings 都被驗證或駁回\n- 沒有未授權存取\n- Logs 完整\n- Lessons learned 寫下來\n- Workflow 問題另外列 remediation\n\n## Vendor fallback questions\n- 誰可以用？\n- 從哪裡可以用？\n- 如果 access 被撤掉怎麼辦？\n- 手動備援流程是什麼？\n- 哪些任務可以移到 open-source 或 local model？\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這版我真的會拿去給團隊當起手式。它不花俏，但不容易被誤用。你要是想把一個 frontier model 放進資安流程，先把它關進框架，再談它有多會找洞。\u003C\u002Fp>\u003Cp>原始公開來源是 CNBC 的這篇報導：\u003Ca href=\"https:\u002F\u002Fwww.cnbc.com\u002F2026\u002F06\u002F23\u002Fanthropics-mythos-model-found-vulnerabilities-in-classified-us-government-systems-official-says.html\" target=\"_blank\" rel=\"noreferrer noopener\">https:\u002F\u002Fwww.cnbc.com\u002F2026\u002F06\u002F23\u002Fanthropics-mythos-model-found-vulnerabilities-in-classified-us-government-systems-official-says.html\u003C\u002Fa>。我上面的拆解和模板是原創整理，但內容是直接衍生自這篇報導與它引用的公開脈絡。","我把 Anthropic 的 Project Glasswing 拆成一套可直接複製的 cyber audit 工作流，讓你能拿去做模型安全測試。","www.cnbc.com","https:\u002F\u002Fwww.cnbc.com\u002F2026\u002F06\u002F23\u002Fanthropics-mythos-model-found-vulnerabilities-in-classified-us-government-systems-official-says.html",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782373723211-cjth.png","industry","zh","3e077cb6-332f-40bc-8c7d-061c3bf01b38",[17,18,19,20,21],"cyber audit","frontier models","red teaming","Project Glasswing","AI security",[23,24,25],"把模型定位成稽核員，不要當產品 demo。","把發現、驗證、影響拆成三段，避免假陽性和誤判。","先做 model workflow red-team，再做 target system red-team。",0,"2026-06-25T07:48:12.987221+00:00","2026-06-25T07:48:12.949+00:00","e01377f6-c8b1-4119-af71-18ad038c4ddc",{"tags":31,"relatedLang":36,"relatedPosts":40},[32,34],{"name":21,"slug":33},"ai-security",{"name":20,"slug":35},"project-glasswing",{"id":15,"slug":37,"title":38,"language":39},"mythos-security-scare-cyber-audit-playbook-en","Mythos turns a security scare into a cyber audit playbook","en",[41,47,53,59,65,71],{"id":42,"slug":43,"title":44,"cover_image":45,"image_url":45,"created_at":46,"category":13},"a5c78141-db4a-4938-af67-7e74315450c6","anthropic-stop-pricing-like-monopoly-ship-faster-zh","Anthropic 不該像壟斷者定價，應該先把 Claude 送快一點","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782385370635-u1bx.png","2026-06-25T11:02:23.83415+00:00",{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"category":13},"3a2b09e0-7cce-4e6a-a387-734b20c4b9da","sora-historical-chart-singapore-home-loans-zh","新加坡房貸 SORA 歷史圖怎麼看","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782384486016-rpmh.png","2026-06-25T10:47:37.153304+00:00",{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":13},"b0540e88-332c-4992-8ae0-1dbdf240a7e9","minimax-lockup-expiry-stress-test-not-red-flag-zh","MiniMax 解禁不是警訊，而是市場壓力測試","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782380886935-irlk.png","2026-06-25T09:47:31.595784+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"67f6cff8-95da-4fb6-8618-89d87c147c68","ai-you-xian-chang-xuan-cuo-fang-xiang-zh","AI 优先常选错方向，先看这 5 点","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782379071039-qmjj.png","2026-06-25T09:17:22.883844+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":13},"9b59d0be-b9f6-4c16-9528-28f7ebc9a5cb","github-ai-news-lists-save-daily-triage-zh","5 個 GitHub AI 新聞專案，先看這份再選","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782377275878-evmx.png","2026-06-25T08:47:25.415334+00:00",{"id":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"category":13},"8afef69f-7b83-42c4-bdc3-79347c5bdad0","deepmind-talent-shifts-to-anthropic-zh","DeepMind人才流向Anthropic，研究竞争升温","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782370068751-immp.png","2026-06-25T06:47:22.887104+00:00",[78,83,88,93,98,103,108,113,118,123],{"id":79,"slug":80,"title":81,"created_at":82},"ee073da7-28b3-4752-a319-5a501459fb87","ai-in-2026-what-actually-matters-now-zh","2026 AI 真正重要的事","2026-03-26T07:09:12.008134+00:00",{"id":84,"slug":85,"title":86,"created_at":87},"83bd1795-8548-44c9-9a7e-de50a0923f71","trump-ai-framework-power-speech-state-preemption-zh","川普 AI 框架瞄準電力、言論與州權","2026-03-26T07:12:18.695466+00:00",{"id":89,"slug":90,"title":91,"created_at":92},"ea6be18b-c903-4e54-97b7-5f7447a612e0","nvidia-gtc-2026-big-ai-announcements-zh","NVIDIA GTC 2026 重點拆解","2026-03-26T07:14:26.62638+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"4bcec76f-4c36-4daa-909f-54cd702f7c93","claude-users-spreading-out-and-getting-better-zh","Claude 用戶更分散，也更會用","2026-03-26T07:22:52.325888+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"bd903b15-2473-4178-9789-b7557816e535","openclaw-raises-hard-question-for-ai-models-zh","OpenClaw 逼問 AI 模型價值","2026-03-26T07:24:54.707486+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"eeac6b9e-ad9d-4831-8eec-8bba3f9bca6a","gap-google-gemini-checkout-fashion-search-zh","Gap 把結帳搬進 Gemini","2026-03-26T07:28:23.937768+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"0740e53f-605d-4d57-8601-c10beb126f3c","google-pushes-gemini-transition-to-march-2026-zh","Google 把 Gemini 轉換延到 2026 年 3…","2026-03-26T07:30:12.825269+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"e660d801-2421-4529-8fa9-86b82b066990","metas-llama-4-benchmark-scandal-gets-worse-zh","Meta Llama 4 分數風波又擴大","2026-03-26T07:34:21.156421+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"183f9e7c-e143-40bb-a6d5-67ba84a3a8bc","accenture-mistral-ai-sovereign-enterprise-deal-zh","Accenture 攜手 Mistral AI 賣主權 AI","2026-03-26T07:38:14.818906+00:00",{"id":124,"slug":125,"title":126,"created_at":127},"191d9b1b-768a-478c-978c-dd7431a38149","mistral-ai-faces-its-hardest-year-yet-zh","Mistral AI 迎來最硬的一年","2026-03-26T07:40:23.716374+00:00"]