AWS 副总裁 Shawn Bice 提出 Trust in Depth 框架，主张在动作可被验证时让智能体自主执行，把人工判断留给真正需要决策的环节。框架按智能体生命周期分为四层：Scope 在运行前界定职责与权限边界，Know 为每个智能体分配独立身份并追踪授权来源，Bound 在运行时于智能体推理之外强制执行策略，Observe 在每次运行后重建其行为并用于改进。
推荐理由：AWS 高管把 Defense in Depth 的思路搬到智能体治理上，给出可验证的四层框架与配套产品入口。
Tamnoon 基于 Amazon Bedrock 构建了智能体式云修复编排器 Tami，可自主调查 CNAPP 等来源的安全发现并评估修复安全性，再生成带护栏和回滚指引的修复方案。该方案在 90 天内将关键云暴露减少超 90%，且未引发任何生产问题。Tami 通过单一 API 为调查、安全评分、修复、代码生成四类智能体分别调用最合适的模型。
Google DeepMind 与新加坡政府科技局（GovTech Singapore）合作，基于轻量级 Gemma 模型微调出一个隐私保护的端侧诈骗检测模型，训练数据来自本地诈骗对话，涵盖冒充公共机构、银行和本地人物等手法。
GitHub 为密钥扫描训练了专用的 ModernBERT 分类器，替代此前的 LLM 流水线，用户告警接受率提升 11.5%，推送后扫描执行时间中位数降低 86%，服务成本降低 98% 以上。该方案采用两阶段流水线：先用正则高召回生成候选，再由微调后的 ModernBERT 结合文件路径、变量名和上下文判断是否为真实凭证。效率提升使通用密钥检测得以扩展到推送保护，在推送被接受前即可返回结果。
OpenAI 表示已处置两起借助 AI 开展的影响行动，这些行动利用虚假媒体身份和一家智库传播地缘政治信息。
GitHub 发布与 Microsoft Applied Sciences 联合微调的 ModernBERT 分类器，用代码上下文识别非结构化密钥，可在 2 毫秒内评估一批候选密钥，据称能把可拦截的密钥数量提升一倍以上。
推荐理由：GitHub 用九个季度数据说明密钥泄露与代码量同步增长，并给出把检测前移到 push 环节的模型方案。
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御方开放，随后逐步扩展到开发者、企业和消费者，起价每百万输入 token 2 美元、输出 token 10 美元。
推荐理由：官方给出 Argon 在编码、企业知识与网络安全上的基准表现和分阶段开放路径，可据此判断前沿模型的能力边界。
Google DeepMind 发布 SynthID Bio，将水印技术引入合成生物学，把不可感知的签名直接嵌入生物代码，使水印不仅能在数字模型上验证，也能在合成出的实体蛋白质上验证，同时保持其生物功能。
推荐理由：SynthID 水印从图像扩展到合成生物，读者可了解 AI 生成蛋白质的可验证溯源思路与落地边界。
GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主模糊测试流水线，只需指向一个 GitHub 仓库，它就会识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness，最后对每个崩溃做分诊并生成漏洞报告。
推荐理由：GitHub Security Lab 把模糊测试的 harness 编写、覆盖率追踪与崩溃分诊交给 LLM 智能体，读者可了解其任务流设计与安全边界。