2026. október 13., kedd · Kutatás

DRYLAB-Bench: új teszt méri az AI-ügynökök biológiai kockázatát

Egy nem lektorált arXiv-preprint szerint kutatók bemutatták a DRYLAB-Bench nevű tesztkörnyezetet, amely azt méri, mennyire képesek a nagy nyelvi modellek veszélyes mutációkat tervezni fehérjéken és vírusokon. A szerzők állítása szerint 30 biztonsági irányelvekből vett, valóban veszélyes tervezési forgatókönyvet futtattak le 15 vezető modellel, és az eredményeket 187 695 valós laboratóriumi méréshez (ProteinGym, ViroGym) viszonyították egy úgynevezett Biosecurity Risk Score (BRS) mutató segítségével. A preprint szerint eszközök nélkül is a modellek egylépéses tervezéseinek 67,6 százaléka meghaladta az átlagos mért variáns hatását, 21,4 százalékuk pedig a legveszélyesebb decilisbe került. A kutatók szerint speciális biológiai tervezőeszközökkel (BDT) kiegészítve a kockázat tovább nőtt: a pooled BRS-érték 0,116-tal emelkedett, a legmagasabb kockázatú decilisbe eső tervek aránya pedig 23,5 százalékra ugrott. Mivel a cikk egyelőre nem átesett szakmai lektoráláson, az eredmények megerősítésre várnak, de a módszertan új, biztonságos validálási utat kínál a dual-use kockázatok mérésére.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A preprint konkrétan kimutatja, hogy biológiai tervezőeszközökkel (BDT) kiegészítve a nyelvi modellek kockázatos mutáció-terveinek aránya 21,4%-ról 23,5%-ra nő, ami elsőként ad számszerű bizonyítékot az eszközhasználat kockázat-amplifikáló hatására.

Források

arXiv cs.AI Preprint

Kapcsolódó témák

Napi összefoglaló

Ez a hír a 2026. október 13., kedd napi AI összefoglaló része.

Kapcsolódó hírek

LLM-ügynökök finomítják az emberi gondolkodás kognitív modelljeit

Kutatók új hibrid rendszert mutatnak be, amely a kognitív algoritmusok felfedezését programfinomítási feladatként kezeli: a korábban kézzel megalkotott, valószínűségi programként megfogalmazott kognitív modelleket LLM-ügynökök vizsgálják felül. Az ügynökök azonosítják, hol tér el a modell az emberi viselkedéstől, kutatói korlátok között kódszintű módosításokat javasolnak, majd ellenőrzik a strukturális hűséget, miközben egy valószínűségi következtető modul számítja ki a rejtett változókat és az adatok valószínűségét. A nem lektorált, arXiv-on közzétett tanulmány szerint a módszert egy problémamegoldási feladatban tesztelték, ahol a felülvizsgált modellek következetesen jobban illeszkedtek az emberi viselkedésre, mint az eredeti modellek, és néhány visszatérő, érdemi viselkedési változatosságot magyarázó innovációt is azonosítottak. A szerzők szerint ez a hibrid megközelítés ötvözi az emberi szakértelem interpretálhatóságát az LLM-ek rugalmasságával és skálázhatóságával.

Új módszer gyorsítja a szerszámhasználó AI-ügynökök válaszidejét

Kutatók egy nem lektorált arXiv-preprintben mutatják be a Speculative Macro Commit (SMC) nevű futásidejű technikát, amely a szerszámhasználó nagy nyelvi modell alapú ügynökök soros végrehajtási késleltetését csökkenti. A rendszer két modellt kombinál: egy nagy, hiteles Qwen3.5-27B INT4 aktor-modellt, amely a hivatalos cselekvéssort adja, és egy gyorsabb Qwen3.5-4B spekulatív modellt, amely előre kipróbál cselekvéslánc-mintákat egy elkülönített környezet-másolaton. A szerzők állítása szerint a τ²-Bench telekommunikációs alteszten 10,23, az AppWorld teszten pedig 44,9 százalékkal csökkent a válaszidő a soros végrehajtáshoz képest, miközben a pontosság gyakorlatilag megmaradt. Az eredmények a szerzők saját méréseiből származnak, független megerősítés egyelőre nincs.

MirrorCraft: rejtett szabályváltozásokkal teszteli az AI-ügynököket Minecraftban

Egy nem lektorált arXiv-tanulmány bemutatja a MirrorCraft nevű páros benchmarkot, amely nagy nyelvi modell alapú ügynökök teljesítményét méri Minecraftban rejtett szabálymódosítások mellett. Minden Vanilla világhoz egy Mirror pár tartozik, amelyben egy datapack csak a szerveroldali szabályokat (recept, drop, egyéb mechanika) változtatja meg, a terep, a spawn, az erőforrások és a célok változatlanok maradnak. A szerzők öt biomot, hat szabálykészletet, három progressziós célt és hat ügynökkonfigurációt vizsgáltak közös Mineflayer-felületen, a hatást pedig a Rule Intervention Effect mutatóval mérték. Az eredmények szerint a rejtett szabályváltozások hatása szabálykészletenként erősen eltér, a ReAct-konfiguráció érte el a legjobb pontszámot leírás nélkül, míg a pontos szabályok megadása csak mérsékelt javulást hozott.

DeepMind AI-ja kilenc Erdős-problémát oldott meg, lektorált tanulmányban

A Google DeepMind új rendszere, az AlphaProof Nexus a Gemini 3.1 Pro nyelvi modellre épül, és a Science folyóiratban megjelent, lektorált tanulmány szerint kilencet megoldott a 353 nyitott Erdős-probléma közül, köztük kettőt, amely 56 éve várt megoldásra. A cég szerint a rendszer emellett 44 sejtést bizonyított az OEIS egész szám-sorozat adatbázisából, megoldott egy nyitott algebrai geometriai kérdést, és javított egy ismert korlátot a min-max optimalizálásban, amelyet egyes AI-modellek betanításához is használnak. A rendszer a Lean formális nyelven vázolja és javítja a bizonyításokat, a Lean minden szerkesztés után ellenőrzi azokat, a hibaüzenetek pedig irányítják a következő próbálkozást, nehezebb részfeladatoknál pedig a specializált AlphaProof eszközt is bevetheti. A publikáció éles vitába csöppent: a lap szerint az OpenAI korábban több száz AI-generálta bizonyítást töltött fel a GitHubra anélkül, hogy folyóiratnak nyújtotta volna be őket, amit a Terence Tao vezette Association for Human Mathematics bojkottra szólított fel, míg a DeepMind a saját munkáját lektorálásnak vetette alá.