„Amazon Threat Intelligence“ užfiksavo autonominius agentus, naudojančius atvirojo kodo ARTEX sistemą plataus masto duomenų vagystėms ir tapatybės klastojimui naudojant „deepfake“. Šiose kampanijose išnaudotos neatnaujintos AI infrastruktūros spragos ir konfigūracijos klaidos, siekiant automatizuoti daugiapakopes atakas.
„IBM“ pristatė LLMON (LLM Object Notation) – XML tipo žymėjimo kalbą, kuri naudoja specialius rezervuotus žetonus aiškiai atskirti instrukcijas, duomenis ir apribojimus. Išleisti du eksperimentiniai modeliai, „Granite 4.1 3B“ ir „8B LLMON-preview“, kurie demonstruoja beveik nulinį netiesioginių „prompt“ injekcijų sėkmės rodiklį.
„Amazon“ pristatė naujos kartos „Bedrock AgentCore“ vykdymo aplinką, skirtą sudėtingiems ir ilgai veikiantiems DI agentams. Atnaujinimas suteikia aparatine įranga izoliuotas aplinkas, greitesnį startą, didesnius skaičiavimo pajėgumus ir optimizuotą kainodarą pagal naudojimą.
AWS pradėjo palaikyti „Linux Foundation“ A2A protokolą, skirtą užtikrinti saugų autonominių agentų bendradarbiavimą skirtingose organizacijose. Šis metodas leidžia skirtingais karkasais (pvz., LangChain, Strands Agents) sukurtiems agentams keistis užduotimis ir duomenimis kaip lygiaverčiams partneriams, neatskleidžiant vidinės logikos ar nesidalijant paslaptimis.
NVIDIA į savo „AI Cluster Runtime“ (AICR) įrankį integravo atvirojo kodo „k8s-aibom“ projektą. Tai leidžia platformų komandoms automatiškai generuoti ir audituoti dirbtinio intelekto komponentų sąrašus (AIBOM) Kubernetes aplinkoje, identifikuojant modelius, išvados (inference) aplinkas bei priklausomybes.
Microsoft tyrėjai atrado "Lazarus" – techniką, leidžiančią perprogramuoti miegančius LLM neuronus ir įterpti kenkėjišką elgseną. Pakeitus mažiau nei 10 neuronų, užpuolikas gali inicijuoti neleistinų komandų vykdymą, nepaveikiant įprasto modelio veikimo ar vertinimo balų.
„n8n“ integravo naujausią „Google“ modelį „Gemini 4 Carbon“, sukurtą sudėtingai automatizacijai, kibernetinio saugumo užduotims ir padidintam agentų patikimumui. Modelis pasižymi dideliais patobulinimais valdant ilgai trunkančius kelių žingsnių procesus ir rodo tvirtą atsparumą „prompt injection“ atakoms.
„Microsoft FORGE Lab“ pasitelkė dirbtinio intelekto pažeidžiamumų skaitytuvą „Hyenas“, kad rastų kritinių atminties saugumo problemų „Rust“ standartinėje bibliotekoje. Tyrimas atskleidžia, kad net saugus „Rust“ kodas gali sukelti neapibrėžtą elgseną, jei „unsafe“ abstrakcijos klaidingai vertina „panic“ (panikos) būsenas arba vartotojo pateiktas „trait“ implementacijas.
„Amazon“ pristatė daugiapakopę gynybos architektūrą, skirtą apsaugoti DI agentus, naudojančius ilgalaikę atmintį, nuo „atminties užnuodijimo“ (netiesioginio užklausų įterpimo). Sprendimas naudoja „Lambda“ pagrindu veikiantį „AgentCore Gateway“ pertvėrimą, kuris tikrina įrašus pagal semantinį nuokrypį, „regex“ šablonus, vardų sričių ribas ir dažnio apribojimus.
Tyrėjai pristatė „RL-ATTACK“ – naują sistemą, kuri naudoja sutvirtintą mokymąsi (reinforcement learning) generuoti priešiškas atakas prieš kalbų modelius be prieigos prie jų vidinių parametrų. Besimokydamas iš modelio reakcijų, šis metodas pasiekia didelį efektyvumą su mažai užklausų ir geba apeiti apsaugos filtrus.
NVIDIA pristatė „Open Agent Safety Platform“ su „OpenShell“ aplinka, skirta saugiam autonominių agentų vykdymui ir politikos valdymui. Kartu „LG AI Research“ atvėrė API prieigą prie „K-EXAONE-2.5“ modelio, kuris remiasi nauju „Nemotron-Personas-Korea“ duomenų rinkiniu, apimančiu 7 milijonus sintetinių asmenybių.
Taxbit įdiegė saugų, vaidmenis atpažįstantį AI asistentą su Amazon Bedrock AgentCore, skirtą automatizuoti pagalbą naudojant produkto dokumentaciją. Agentas naudoja RAG metodą, kad pagrįstų atsakymus patvirtintu turiniu, tuo pačiu griežtai užtikrinant PII maskavimą, duomenų vietos rezidavimą ir vartotojų vaidmenų leidimus.
„Greenlight Financial“ sėkmingai automatizavo daugiau nei 90 % savo saugumo ir rizikos atvejų sprendimų (iš viso 4 000 atvejų per mėnesį), įdiegdama daugiapakopę agentų architektūrą „Amazon Bedrock AgentCore“ platformoje. Sistema naudoja 1-ojo lygio prižiūrėtoją pradiniam triažui ir 2-ojo lygio prižiūrėtoją išsamiam tyrimui, taip ženkliai sumažindama analitikų darbo krūvį.
Šis atnaujinimas pristato šliuzu (gateway) paremtą architektūrą, skirtą DI agentų prieigai valdyti. Naudojant Amazon Bedrock AgentCore Gateway ir Cedar taisykles, autorizacijos logiką galima perkelti nuo atskirų įrankių į centrinį taisyklių variklį, taip užtikrinant saugumą šimtams agentų.
„Microsoft Research“ pristatė „PDD Kit“ – įrankių rinkinį, skirtą sujungti žmogaus ketinimus ir DI sugeneruotą kodą per „įrodymais pagrįstą kūrimą“ (Proof-Driven Development). Naudojant formalią patikrą su „Verus“ kalba, šis rinkinys leidžia kūrėjams matematiškai įrodyti, kad DI parašytas kodas atitinka nurodytus reikalavimus, žengiant toliau nei tradicinis testavimas.
„Amazon Quick“ pristatė „Smart Approvals“ funkciją, skirtą automatizuoti rutinines agentų užduotis, išlaikant žmogaus priežiūrą kritiniams sprendimams. Sistema naudoja klasifikatorių, kuris vertina atliekamus veiksmus pagal pokalbio kontekstą ir nustatytas taisykles, todėl sumažina nereikalingų pertraukimų skaičių nepažeidžiant saugumo reikalavimų.
Cloudflare pristatė naują „Personal Assistants“ kategoriją savo saugumo analitikos įrankiuose, kuri leidžia svetainių savininkams stebėti ir valdyti AI agentų generuojamą automatizuotą srautą. Dabar įmonės gali nustatyti individualias prieigos politikas kiekvienam agentui, taip apsaugodamos reklamos pajamas ar jautrias svetainės zonas, neblokuojant teisėtų užklausų.
„Amazon“ atnaujino „AgentCore Gateway“, įtraukdama automatizuotą prieigos žetonų keitimą tarp „Microsoft Entra ID“ ir apsaugotų REST API. Naudojant šį srautą, AI agentai gali atlikti veiksmus tokiose platformose kaip „ServiceNow“, naudodami galutinio vartotojo tapatybę ir teises, o ne veikdami kaip bendra tarnybinė paskyra.
„Cloudflare“ pristatė „Zero Wire“ – viešą informacinį kanalą „Cloudflare Radar“ platformoje, skirtą kritinių saugumo spragų analizei. Šis įrankis pateikia glaustas, suprantamas instrukcijas apie svarbias interneto grėsmes, padėdamas inžinieriams ir saugumo komandoms greičiau imtis veiksmų.
Naujausi tyrimai rodo, kad dabartiniai saugumo stebėsenos įrankiai dažnai klysta, painiodami injekcijos poveikį su agento realiu ketinimu atlikti nesaugų veiksmą. Autorius siūlo dvipusio stratifikavimo vertinimo metodą, kuris atskiria poveikį nuo elgsenos, taip žymiai pagerinant gebėjimą prognozuoti nesaugius įrankių iškvietimus iki dviejų žingsnių į priekį.
„Google Project Zero“ išanalizavo, kaip LLM pagrįstos sistemos (BigSleep) lyginasi su tradiciniais generatyviniais „fuzz“ įrankiais (Fuzzilli) ieškant V8 JavaScript variklio spragų. Per šešis mėnesius abu metodai savarankiškai aptiko unikalių klaidų, o jų sutapimas vertinamas tarp 25–60 proc.
„n8n 3.0“ išleista beta versijoje, daugiausia dėmesio skiriant pagrindinės architektūros stabilumui, griežtesniems saugumo numatytiesiems nustatymams ir pasenusių funkcijų šalinimui. Nuo šiol savarankiškai talpinamoms sistemoms privalomas „container-only“ diegimo modelis, o prieš gruodžio mėnesį numatytą stabilų išleidimą naudotojai turi pasinaudoti integruota migracijos ataskaita (Migration Report) esamiems pokyčiams valdyti.
„Cloudflare“ nustatė SGLang išvedimo variklio saugumo klaidą, dėl kurios GLM-5.3 modelis atskleidė duomenis tarp skirtingų vartotojų užklausų. Užklausos, viršijusios sukonfigūruotą KV talpyklos dydį, buvo klaidingai apdorotos, todėl dekodavimo mazgas generavo atsakymus naudodamas senus kitų vartotojų duomenis.