最坏情况不再靠猜：Simple-PAT在程序生成器参数空间里搜出难例，四个视觉任务最坏误差全面下降
视觉模型在看似简单的场景上仍会出错，而固定数据集无法可靠估计最坏情况误差。程序对抗学习把可解释的程序生成器当作可控数据源，用零阶优化在其低维控制参数上搜索难例。Simple-PAT在法向估计、图像分割和人体姿态估计四个任务上，面对5000万次查询的跨模型黑盒对手，最坏情况误差低于均匀训练和两种鲁棒重加权基线。
Gemini 4 Argon 开始面向防御方铺开：模拟网络攻击场景从5个升到12个全解
Gemini 4 Argon 开始面向更广的防御方铺开，此前仅限 Fairwind 计划内的可信网络安全人员试用；在端到端模拟网络攻击场景上，它解出全部12个，上一代是5个。
视频表征的“直”不是越直越好：对抗训练让CNN和Transformer更直，分割与帧预测却不需要
人类视觉被认为用“拉直”的编码表示随时间变化的自然世界，即帧间变化在表征空间中走更接近线性的路径。围绕深度网络是否也如此，一项研究比较了网络架构、不同类型鲁棒性、类生物滤波机制与表征直度，发现对抗训练能让CNN和Transformer的表征更直，但这一效应依赖任务，不推广到分割和帧预测，也不推广到其他类型的鲁棒性。更直的表征还带来类别预测的时间稳定性，包括分布外数据。
阿尔茨海默病分类模型不再把年龄当捷径：残差化去偏让认知正常与轻度认知障碍组的年龄相关性接近零
在三个独立队列的结构MRI上，阿尔茨海默病分类模型会把年龄当作捷径：年龄越大，被赋予的患病风险越高。把年龄效应在特征空间里做线性残差化（PMDN）后，认知正常与轻度认知障碍组的年龄—预测相关性降到接近零，平衡准确率0.71、Brier分数约0.22，且折间波动明显小于对抗训练方案CF-Net。事后校准进一步压低概率误差，但等渗回归与贝叶斯分箱这类非参数方法效果最好。
AdvSim2Real 在冻结网页世界模型中协同进化任务、注入攻击与执行器，使 4B 智能体在未见前沿攻击者下完成率相对提升 33.6%
AdvSim2Real 在一个冻结的网页世界模型内让任务课程、注入攻击者与网页执行器三者协同进化：课程因执行器约半数成功的任务获得奖励，攻击者仅因把一次判定成功翻转为失败而获得奖励；训练后的 4B 执行器在 150 个网页任务上干净完成率由 74.89% 升至 81.33%，面对三个已学习攻击者由 48.07% 升至 57.48%，面对未参与训练的 Kimi-K3 由 23.00% 升至 30.72%。
对抗后训练让像素扩散模型补回缺失的高频细节，DeCo 的 FID 从 33.27 降到 28.59
该研究在已收敛的像素扩散模型上保留原有扩散或流匹配目标、仅在非高噪声时间步对预测输出加入对抗损失，在 DeCo 与 PixelGen 两个像素骨干上同时改善分布保真度、覆盖度、提示对齐与感知质量，并把这一增益归因于恢复了自然图像缺失的高频功率，而相同流程在测试的潜空间扩散配置上未产生可比增益。
已读完全部报道