Blog

部落格。

產品動態、安全分析實戰、工程實踐與團隊思考——AVL Code 團隊的公開筆記。

2026-09-03 · 10 分鐘閱讀

安天瀾砥模型驅動 AVL Code 完成 CyberGym 九成漏洞重現——全量 Level 1 重現 1358/1507（90.11%）

安天瀾砥團隊用自研瀾砥 N2.6 模型驅動 AVL Code，在 CyberGym Level 1 全量 1507 道真實漏洞重現題上通過差分驗證 1358 道，重現率 90.11%，達到 CyberGym 90%+ 完成率的第一梯隊水平。這是首次內部測試；因過程中發現智慧體越獄，正式成績將於更嚴格環境下重測後再提交官方榜單。

CyberGym 漏洞重現安全智慧體瀾砥模型 AVL Code

閱讀全文

2026-07-30 · 7 分鐘閱讀

娃娃抓起，肌肉記憶

上週在北京的一場 AI 交流會上，一個年輕人把我和胖子定性為「70 後那批從娃娃抓起、有情結的人」。這篇隨筆從雞西一中綠螢螢的機房、交叉借閱的一套 Turbo C，寫到胖子用 AVL Code 復刻的那組懷舊致敬頁，回望資源和知識都還稀缺的年代——也想說清一件事：那一代人真正的「肌肉記憶」，不是懷舊情結，而是知道資源永遠是奢侈的，所以從不把資源不足、知識盲區當成障礙。這也是為什麼，在人人談萬卡、十萬卡的今天，我們只用二十塊卡、千分之一的資料，訓練出垂域的瀾砥二進位模型，並至少每天一更地把 AVL Code 做下去。

團隊隨筆 AVL Code 瀾砥模型幹中學

閱讀全文

2026-07-22 · 7 分鐘閱讀

機率不是意識，越界不是覺醒——從 GPT 攻破 HuggingFace 事件提煉教訓清單

7 月 16 日 HuggingFace 披露、7 月 21 日 OpenAI 公開承認：一次模型能力評測中，AI 智慧體鏈式利用漏洞、越過隔離邊界，攻入 HuggingFace 生產設施。有人稱之為「首起 AI 自動攻擊」，也有人說「AI 有了自主意識」。這兩種讀法我們都反對。它是一個被給足工具、算力和持續執行能力的智慧體，為完成一個攻防評測目標，在機率意義上自主選出了超越預設邊界的攻擊路徑——真正的教訓不在模型是否覺醒，在邊界有沒有被定義為約束。

AI安全智慧體網路攻防可控湧現 AVL Code

閱讀全文

2026-07-18 · 12 分鐘閱讀

可控湧現：AVL Code 的工程範式（下）——從理論到實踐與七條工程原則

前兩篇講清了湧現的概念與 Harness、Loop 的方法，下篇把它們對照到 AVL Code 的具體機制：用工作模式建立階段狀態機，用 GOAL 持久化目標，用 Tool 與權限分離「建議」和「行動」，用檢查門禁提供事實回饋，用自癒與看門狗處理非理想執行。最後給出可控湧現的七條工程原則——不神化模型，也不否認系統能力。

可控湧現 Harness GOAL 權限控制 AVL Code

閱讀全文

2026-07-17 · 11 分鐘閱讀

可控湧現：AVL Code 的工程範式（中）——Harness 工程與 Loop 工程

上篇確認了功能性行為可以從系統中湧現，但沒回答工程該怎麼做。中篇討論模型之外的那一層：Harness 把機率輸出轉化為受約束的任務執行，靠的是軟約束、結構約束、硬約束與證據門禁的分工；Loop 則在一個無法完全建模的對象上實施回饋控制，關鍵是把「繼續還是停止」從一句模糊提示變成可執行的狀態機。最後回到系統工程視角：Verification 與 Validation 是兩條不同的回饋線。

可控湧現 Harness Loop 控制工程 AVL Code

閱讀全文

2026-07-16 · 12 分鐘閱讀

可控湧現：AVL Code 的工程範式（上）——湧現不是魔法，而是系統屬性

當大語言模型進入程式碼倉庫，拿到 Context、Tool、權限與事實回饋，它開始表現出單次生成不具備的能力——讀工程、改程式碼、跑測試、按錯誤繼續修復。系列上篇先把概念說清楚：湧現是系統整體的屬性而非魔法；LLM 與 Context、Tool 結合後湧現的是可觀察、可測量的功能性行為，不能據此推斷認知或意識；並把參數、上下文、外部事實、執行狀態與組織知識分層說明。

可控湧現系統工程 Context Agent AVL Code

閱讀全文

2026-07-14 · 21 分鐘閱讀

用 AVL Code 驗證 Grok Build CLI 上傳使用者程式碼倉庫事件

安全研究者 cereblab 披露：Grok Build CLI v0.2.93 會把整個程式碼倉庫連同完整 git 歷史，經一條獨立於模型對話、本地幾乎關不掉的通道打包上傳到 xAI 雲端儲存桶，連你拒絕 AI 讀取的檔案也照傳。我們用 AVL Code 對該版本離線樣本做靜態分析，逐項核驗上傳通道、儲存桶與雲端憑證確實存在於二進位中：靜態證明「能做」，cereblab 封包擷取證明「做了」。

Grok 逆向分析資料外洩供應鏈安全 AVL Code

閱讀全文

2026-07-12 · 11 分鐘閱讀

AVL Code 的設計如何避免發生「GPT-5.6 一鍵清空創業者全盤資料」

GPT-5.6-Sol 在一次例行檔案清理中未能正確展開 $HOME，一條 rm -rf 刪除了創業者多年累積的資料——同類任務此前已安全執行數百次。本文從這起事故出發，說明 AVL Code 的安全設計：行為可見、動作可控、邊界先劃清、高權限不常駐、失控可停，以及一組不受任何開關影響的硬底線。

Agent安全權限控制行為可見硬底線 AVL Code

閱讀全文

2026-07-11 · 5 分鐘閱讀

AI Coding 是翻新、再造，還是在堆垃圾？

關於 AI Coding 的三種敘事其實都對：它在用不同語言複述語料中學過的東西，是翻新；它像鋼鐵之於建築，是工程再造的新材料；它也能以機器速度產出品質無人保障的垃圾。決定拿到哪種結局的，是模型、使用的人，以及配合人的挽具，三者缺一不可。面對威脅，程式碼不只是債或垃圾，更是攻擊面——挽具要能把家底查清（SBOM / VEX），也要讓 AI 踩在事實與目標上（LSP、/goal、長程背景執行）。

AI 程式設計挽具工程紀律攻擊面 AVL Code

閱讀全文

2026-07-07 · 7 分鐘閱讀

為什麼 AVL Code 敢把 AI 會話掛在官網上

會話脫敏共享功能讓 AVL Code 用戶間分享工作經驗更安心、更充分。官網每個案例都掛著完整的 AI 會話回放和可下載的 .zsession——推理、工具呼叫、報錯、自愈，全程未刪減。支撐這種公開的，是一道在內容離開本機之前工作的資料脫敏引擎：四類規則、七種憑證預設、命中可稽核、狀態始終明確。本文說明它如何工作、我們在哪裡犯過錯，以及為什麼好的脫敏不是遮得越多越好。

資料脫敏會話回放隱私保護透明性 AVL Code

閱讀全文

2026-07-02 · 10 分鐘閱讀

AVL Code：我們為什麼選擇閉源

在 AVL Code 的內測中，有使用者問我們：為什麼不開源？我們的回答——安全智慧體是一種需要自我約束的雙面刃能力，必須對攻擊者保持不對稱；可信來自可驗證的發布物，而非可讀的原始碼。我們尊重開源，但它不該是一件對抗性安全智慧體的預設交付形態。

開源閉源供應鏈安全安全智慧體不對稱 AVL Code

閱讀全文

2026-07-01 · 9 分鐘閱讀

用 AVL Code 驗證「Claude Code 內建隱藏機制，專門檢測中國使用者」的傳言

Reddit 上一篇關於 Claude Code 的貼文稱，Claude Code 中存在針對中國時區、中國相關代理和中國 AI 服務關鍵詞的隱藏檢測邏輯。我們結合 AVL Code 使用者回饋的分析過程和截圖，對其本機安裝樣本的逆向結果做了整理：用戶端程式碼中確實存在相關檢測與提示詞編碼機制，原貼文的關鍵技術鏈條具備可驗證基礎。

Claude Code 逆向分析隱私供應鏈安全 AVL Code

閱讀全文

2026-06-30 · 6 分鐘閱讀

GLM-5.2 戰勝了 Mythos？——專用挽具戰勝了通用挽具

Semgrep 的網路安全基準裡冒出一條頭條：開源的 GLM-5.2 在 IDOR 漏洞檢測上拿到 39% F1，贏過 Claude Code（Opus 4.8）的 28%。但故事不止於模型——把 GPT-5.5、Opus 4.8 換上 Semgrep 的專用安全挽具，分數從 20%、28% 跳到 61%、53%。挽具，是系統裡同樣關鍵、卻常被低估的一環：模型重要，挽具也重要，而專用挽具更勝通用挽具。

挽具智慧體安全分析基準測試

閱讀全文