AI FRONTIER
Signals worth understanding before they become obvious.
ARTEX 攻击：进攻型 AI Agent 开始把入侵流程工业化
ZDNET 对 ARTEX 攻击的分析显示，进攻型 AI Agent 已被用于把入侵活动流程化、自动化，Agent 正从安全辅助工具变成可重复运行的攻击系统。
- 报道聚焦 ARTEX 攻击。
- 其中将进攻型 AI Agent 描述为正在工业化入侵活动。
防守方需要把敌对 Agent 当作持续运行的自动化系统建模，而不只是“攻击者偶尔调用一次 LLM”。
Cloudflare Monetization Gateway：用 HTTP 402 向 AI Agent 按消耗收费
Cloudflare 推出 Monetization Gateway Beta，用 HTTP 402 风格的支付语义向 AI Agent 按资源消耗收费。
- Cloudflare 发布了 Monetization Gateway Beta。
- 其核心机制是用 HTTP 402 向 AI Agent 按消耗收费。
Agent 与服务之间的交易开始出现协议层支付原语，机器身份、计量与结算可能逐渐成为普通 API 基础设施的一部分。
FluidPD：给 Prefill/Decode 分离式 LLM Serving 加上原位弹性伸缩
FluidPD 研究面向 SLO 的 Prefill/Decode 分离式 LLM Serving，并把原位弹性伸缩加入这一架构。
- 论文题目明确聚焦 SLO-aware 的 Prefill/Decode 分离式 LLM Serving。
- 方法核心包含 In-Place Elasticity。
这意味着分离式推理架构不必把容量拓扑视为静态配置，而可以随着负载压力动态调整资源。
Tokka-Bench：一次评测 100 种自然语言和 20 种编程语言的 Tokenizer
Tokka-Bench 把 Tokenizer 评测扩展到 100 种自然语言和 20 种编程语言，让 Tokenizer 从“预处理细节”变成可系统比较的多语言与代码基础组件。
- 基准覆盖 100 种自然语言。
- 同时覆盖 20 种编程语言。
对多语言和代码模型来说，Tokenizer 会直接影响上下文效率与模型行为；大范围基准使这种工程取舍更容易量化。
Google AI 被报道通过自主研究解决 9 个长期数学难题
报道显示，一个 Google AI 系统通过自主研究解决了 9 个存在数十年的数学问题。
- 报道描述该 Google AI 系统进行了自主研究。
- 报道声称它解决了 9 个存在数十年的数学问题。
如果后续一手材料能够充分验证，这代表研究型 Agent 正从短题求解走向更长周期的自主调查与推理循环。
Step 5 Preview：27B 激活、600B 总参数的稀疏 MoE Agent 模型
OpenRouter 出现 StepFun Step 5 Preview，定位 Agentic Work，采用稀疏 Mixture-of-Experts 架构，27B 激活参数、600B 总参数。
- 模型条目将 Step 5 Preview 定位为面向 Agentic Work 的旗舰模型。
- 条目给出的架构为 27B 激活参数、600B 总参数的稀疏 MoE。
27B 激活 / 600B 总容量这种形态说明前沿 Agent 模型继续用稀疏容量换能力，同时控制单 Token 的实际计算量。
日立把 AI Agent 用到漏洞与补丁搜索分析
日立推出利用 AI Agent 搜索漏洞与补丁并生成分析报告的服务，目标是加快漏洞响应流程。
- 该服务使用 AI Agent 搜索漏洞与补丁。
- 输出分析报告以加快漏洞响应。
安全 Agent 的价值正在从聊天辅助转向边界清晰的运营工作流：持续收集、对齐并报告修复信息。