METR 報告指 AI 大幅加速 2026 資安漏洞發現，多校聯合推出 SPADE 自對弈訓練框架

據 Import AI 報導，METR 發布最新研究評估 AI 在不同科學領域的加速效應，指出 2026 年的進展呈現領域差異。在網路安全方面，cURL、OpenSSL、Firefox、Microsoft 及 NVD 等資料庫的漏洞通報率較 2025 年大幅加速；數學研究呈現微幅加速，部分領域 arXiv 提交量在 12 個月內翻倍，並解決了 Smale 名單的 Jacobian 猜想與 Green 名單第 44 號問題等難題；但在 AI 研究最佳化方面（涵蓋 CIFAR-10、Hutter 壓縮、Gurobi、MIPLIB、nanoGPT、Stockfish 與矩陣乘法指數等 7 個領域）則無顯著加速。 同篇報導指出，華盛頓大學、史丹佛大學與 MIT 等多所機構聯合推出 SPADE（Self-Play in Adaptive Synthetic Executable Environments）框架，透過自對弈生成合成訓練環境。該框架讓 LLM 輪替扮演「環境設計者」（編寫可執行的訓練環境程式碼）與「推論代理」，並利用有無特權提示（privileged hints）的表現落差來計算獎勵。研究團隊使用 GRPO 微調 Qwen3 系列模型，結果顯示 Qwen3-30B-A3B-Instruct-2507 表現最佳，在遊戲環境基準測試中平均達到 58.3 分，較基礎模型提升 8.1 分，較最強的固定環境基準提升 5.3 分，且在工具使用環境中亦有顯著效能提升。