机房电力可识别大模型训练：维特比跟踪检出率至少96%
论文提出用机房电力的迭代节奏做维特比跟踪，从而在不信任运营方时识别同步大模型训练。模拟中，若不刻意隐藏，采样不低于2赫兹的电表可在1%误报率下检出至少96%训练。八种对抗策略里，仅极端改变每轮工作量较难躲过，且小规模训练需多耗93%至267%算力。
要点
- 不刻意隐藏时，2赫兹及以上电表在1%误报率下可检出至少96%的训练，且接近奈曼—皮尔逊最优。
- 八种隐藏策略中，只有极端改变每轮工作量能明显逃避；按天观察仍至少捕获87%此类运行。
- 该对抗不降低吞吐，但小规模训练达到相同损失需额外93%至267%算力，使隐蔽训练更昂贵。
为什么值得看
AI治理协议需要在不信任运营方的前提下，判断受监控计算集群是否正在进行大模型训练，而机房级电力是一种不依赖运营方自报的被动信号。
谁会受影响
面向研究算力核查、AI治理和数据中心监测的学者、监管机构及机房运营相关人员。
今天就能怎么试
该方法目前只在模拟机房电力上评估，公开实现、部署参数、国内可用性与价格均未知；读者只能查阅预印本了解原理，本条未实测。
原始来源
1Detecting AI Training in Datacentre Power · 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。