医学AI隐私风险可在训练前筛查：高危患者跨方案大体稳定
医学人工智能模型即使不共享训练数据，仍可能经成员推断攻击暴露患者是否入训。研究在六套临床数据、四种模态上评估7789个模型，发现高风险患者跨训练配置大体稳定；加强权重衰减最多将暴露队列缩小约三倍。作者据此提出四个小模型组成的轻量筛查工具。
要点
- 只报告队列平均隐私风险，可能低估个别患者几乎必然暴露的问题。
- 训练选择会改变高风险人数，但风险最高的患者大体不变；更强权重衰减最多约将暴露队列缩小三倍。
- 筛查工具由四个小模型构成，并探讨不移除数据的保护；具体实现与可用性未知。
为什么值得看
成员推断攻击可能让未公开训练数据的医学模型暴露个别患者是否入训，而队列平均风险会掩盖几乎必然暴露的个体，因此应在数据准备阶段先识别高危记录。
谁会受影响
面向临床AI开发者、医院数据治理与隐私合规人员；资料仅列出提交者Michail Klontzas，其余作者与机构未知。
今天就能怎么试
论文提出在生产模型训练前用四个小模型筛查高风险患者，并评估不删除数据的保护方式；代码、参数、价格和国内可用性均未知，本文未实测。
原始来源
1Automated screening of privacy risks in medical AI · arXiv cs.AI · 2026年10月23日✓ 已打开核对本条由 AI 根据上面的原始来源整理，经编辑审核后发布。数字和结论以原文为准，发现错误欢迎反馈。
相关动态
开放世界模型结合游戏引擎，单卡生成实时可玩画面
Matrix-Game 4.0 让轻量引擎负责规则和状态，视频模型将低多边形画面转成细致视觉，编码智能体则修改场景与玩法。论文报告 RTX 5090 上实现 480p、60 帧交互，按键到显示延迟为 112 毫秒，并宣布开放代码与资产。实时帧率需与响应延迟分开看。
业务智能体基准检查执行过程，完成任务也可能判失败
BizAgentBench 将 789 份知识文档、601 项业务工具和 50 个长流程任务放进可执行环境，既核验最终目标，也检查中间步骤约束。论文显示只看任务完成会掩盖无效操作；HF 早期标题为 BizBench，arXiv 修订版已改名。同时还应记录任务过程中的工具调用成本。
中英密集文字生图基准发布，专测海报长文与布局
UltraText Bench 提供 432 条人工检查的提示，覆盖 24 类真实场景，中英文各半，每张图要求四至十二处文字。评估分别看文字准确、清晰度、空间安排和场景质量，揭示快速模型可能更清晰却更容易写错字的取舍。适合中文海报选型。
AI协助发现PHP高危漏洞，网站维护者面临集中修补
爱范儿梳理 PHP2Shell 漏洞披露与紧急修补过程，介绍 OpenAI 安全研究在构造可复现证据中的作用。事件涉及底层软件广泛使用带来的连锁影响；具体风险取决于运行版本与部署条件，不能把使用 PHP 都等同于已经遭入侵。