模格是后量子密码学的核心，NIST 2024年发布的标准中，ML-KEM和ML-DSA基于模格问题。理解模格的数学本质是掌握后量子密码的基础。文章讨论了模格的定义、困难问题及安全性评估，适合具备线性代数与概率论基础的读者。

DeepSeek发布了R1技术报告的64页补充内容，详细介绍了模型训练路径和安全性评估。新版本涵盖冷启动、推理导向RL等四个步骤，提升了模型的推理能力和安全性，团队成员流失少，显示出良好的内部稳定性。

本研究提出Libra-Leaderboard框架，以解决大型语言模型在性能与安全性评估中的不足，强调在多个维度上实现平衡的重要性。

最近的文本到图像（T2I）模型取得了巨大成功，提出了一个名为ImplicitBench的基准来评估其性能和安全性。实验结果显示，T2I模型能够准确创建由隐性提示指示的目标符号，但隐性提示也带来了隐私泄露的潜在风险。大多数模型中的NSFW约束可以通过隐性提示绕过。呼吁T2I社区更关注隐性提示的潜力和风险，并进一步调查其能力和影响。

本文研究射频机器学习中的对抗性机器学习，提出了一种在无线通信中评估对抗性成功的方法，并使用快速梯度符号方法评估了 RFML 的安全性。研究发现，即使在 OTA 攻击下，RFML 也容易受到对抗性示例的攻击，但针对 RFML 特定领域的接收机效应可以在对抗性逃避方面产生重大影响。