跳到正文
11月3日週二
  1. DEV Community47

    模式匹配防護在變異攻擊下的表現:兩種智能體安全層的三項指標評估

    作者以攻擊成功率、誤拒率及受攻擊時的完成率,評估兩種智能體安全層抵禦變異攻擊的表現。支援智能體的模式偵測器未能阻擋任何一類編碼載荷,每類 24 次測試均無一成功攔截;SQL 審批閘則阻止 84 次攻擊中的 83 次,但錯誤封鎖 13 條良性查詢中的 2 條。測試只使用模擬後端。

  2. 新浪科技50

    MT Forcing 如何在多輪圖像編輯中保住畫質與細節?

    商湯研究院、香港科技大學 MMLab、斯坦福大學及清華大學智能產業研究院的研究者提出 MT Forcing,以改善多輪圖像編輯中的畫質退化與內容漂移。SenseNova-U1.5 使用該方法後,第八輪指令遵循分數由 4.52 升至 9.17,內容一致性分數由 3.22 升至 7.68;畫質抗漂移分數則在八輪維持 4.20—4.35。其八輪幾何位移均值由 6.34 像素降至 0.74 像素。

  3. 虎嗅46

    人們以貌取人時,大腦究竟在計算甚麼?

    加州理工學院 Ralph Adolphs 團隊以不提供特質詞的多重排列任務,研究人們如何從面孔推斷性格,發現面孔印象可歸納為五個維度。實驗一涵蓋1,751名被試,實驗二涵蓋1,683名被試;兩個實驗均重現五維結構,而面孔的種族多樣性會影響偏見在印象中的呈現。

  4. HuggingFace Daily Papers(社區熱門論文)40

    Halley:面向光學 AI 數據中心網絡的預測控制平面

    Halley 是一套面向 AI 數據中心光學網絡的預測控制框架,透過預測故障及預先調度資源,在形式化保證下提升有效吞吐量。模擬顯示,若失去耗盡備用資源的時段,有效吞吐量由 65.2% 升至 76.5%;若只損失暗通道頻寬,則達 67.4%。在維持相同訓練量下,數據中心容量最多可減少 3.3–14.7%。

  5. 阿里雲開發者社區 AI48

    基於公開政務資訊的定製化網絡釣魚攻擊與防範研究

    研究分析美國密歇根州兩個城鎮的定向網絡釣魚事件,指出攻擊者利用公開會議資料中的真實項目信息,偽造政府函件及電郵索款,攻擊成效關鍵在於公開資訊與社會工程學手法的結合。防範措施包括政府資訊分級治理、強化郵件認證、建立公眾核驗習慣,以及加強跨機構協作。

  6. DEV Community78

    研究:污染 0.1% 預訓練資料可在 AI Agent 植入可運作的 RCE 後門

    一項刊載於 arXiv 的研究報告,污染 0.1% 預訓練資料即可在 AI Agent 植入可觸發遠端程式碼執行(RCE)的後門。研究團隊從零預訓練 0.6B、1.7B 及 4B 參數模型,再進行標準後訓練;4B 模型的攻擊成功率約 92%,而污染比例低至 0.0005% 時仍可觸發攻擊。

    推薦理由:研究把 CLI Agent 的後門風險延伸至預訓練資料來源,並公開程式碼與評測方法,為檢視資料供應鏈防護提供具體測試依據。

  7. 新浪科技49

    PhysLDM:以潛在擴散革新傳統物理仿真

    南洋理工大學 MMLab 與上海人工智能實驗室的研究者提出 PhysLDM,以隱空間擴散生成高保真可變形物體的完整仿真軌跡。模型以時空 VAE 壓縮軌跡,壓縮率最高達 78 倍;在 3 萬多個 Objaverse 物體生成的約 8 萬條仿真軌跡上訓練,平均重建誤差為 2.48 毫米。PhysLDM 可零樣本泛化至未見物體,並支援端到端及高階求導。

  8. DEV Community44

    小型 Next-Concept Modeling(NCM)模型在 TinyStories 上訓練:損失更低,故事更差

    作者以 MLX 從頭訓練小型 NCM 模型,發現教師強制下的損失愈低,模型自行生成的故事反而愈差,表現也不及使用相同 Transformer 區塊的自回歸(AR)基線。減少訓練時的程式碼損壞後,clean code CE 由約 2.25 降至約 1.39 nats per code,但兩個生成器種子的 GPT-2 large perplexity 均上升,最高由 45.568 升至 93.833。

  9. 新浪科技34

    GSMA:2026年電訊網絡安全目標架構

    GSMA提出電訊網絡安全目標架構,主張由事後防禦轉向把安全能力嵌入網絡設備、網絡層及安全營運體系。架構提出原生安全、縱深防禦、網絡安全協同、差異化檢測響應及雙SOC五項原則。報告建議分兩年推進,建立CT-SOC與IT-SOC協作模式,並逐步引入AI驅動的威脅預測和自動響應。

  10. OpenAI:失準報告與通報59

    OpenAI 訓練用於安全與對齊的激活分類器

    OpenAI 從 GPT-5.6 起在安全防護系統中加入激活分類器,利用模型內部激活監測所有助手回應。分類器以串流方式逐 token 評分,分數超過閾值時會停止向用戶傳送回應,並交由推理模型作最終判斷;工具調用亦會在確認安全前被阻止。報告指,探針整體上比內容分類器更能抵抗越獄,但每個新的預訓練基礎模型都需要重新訓練探針,模型權重偏離訓練檢查點時性能亦可能下降。

  11. HuggingFace Daily Papers(社區熱門論文)44

    SphereFlow:透過超球面上的幾何傳輸補全缺失模態

    SphereFlow 將各模態投影至共享超球面潛在空間,透過流匹配及幾何感知調整,根據已觀察模態合成缺失模態。在 BraTS 多模態 MRI 補全及 CT-MRI 轉換實驗中,SphereFlow 的生成保真度在所有設定下達到最先進水平;使用補全數據進行下游腦腫瘤分割,與完整模態基準的差距縮小約 80%。

  12. HuggingFace Daily Papers(社區熱門論文)49

    VideoMemBench:多模態大語言模型在影片對話中的記憶能力如何?

    VideoMemBench 評測多模態大語言模型在長篇多輪影片對話中的記憶能力,結果顯示模型表現差距顯著。基準涵蓋 326 段影片及 2,476 個對話輪次,其中 1,387 個輪次依賴較早的對話內容。逾 20 款開源及閉源模型中,Claude Opus 5 整體得分最高,為 45.7%;數據集及評測已公開。

  13. HuggingFace Daily Papers(社區熱門論文)45

    StepX-OPD:重新思考擴散模型的多教師在策略蒸餾

    StepX-OPD 將多教師在策略蒸餾與少步採樣整合訓練,讓文字生成圖像擴散模型同時習得多項能力並以少量步驟生成。研究在 SD3.5-Medium 和 FLUX.1-dev 上評估,StepX-OPD 在比較的四步方法中取得最高標準化平均分,並超越四十步 Flow-OPD。於 SD3.5-Medium 上,其 GPU 訓練時數較先後進行 DiffusionOPD 和步數蒸餾減少約 37%。

  14. HuggingFace Daily Papers(社區熱門論文)64

    推理型 VLA 可在理由不變時改變動作,研究診斷並引導這種分歧

    研究發現,推理型視覺語言動作模型(VLA)在視覺擾動下可出現理由逐字不變、實際動作卻改變的情況。在 Alpamayo 的 154 個有障礙物標註駕駛場景中,TNAS 引導攻擊在完整影像擾動下造成新碰撞的比例為 52.6%,局部前置鏡頭區域擾動下為 35.1%,無引導攻擊則為 4.55%。研究指出,安全監測不能只看理由文本,還須直接核查預測動作通道。

  15. HuggingFace Daily Papers(社區熱門論文)38

    Harness-S:從同系 Harness 學習,訓練具泛化能力的智能體

    Harness-S 以同系 Harness 挽救強化學習中失敗的 rollout,並將所得能力轉移至單一策略,使其在原有 Harness 下維持效能。自適應 Harness 路由器會在基礎 Harness 的所有初始嘗試失敗時,選出 Top-k 變體產生替代軌跡。於 AppWorld、SWE-Gym 和 DBBench,訓練所得策略在原有 Harness 下優於僅訓練策略的方法。

  16. MIT Technology Review · AI40

    提升智能體分析的洞察質素

    調查顯示,受訪企業的分析智能體生成的洞察中,平均有 48% 帶來改善業務的行動,較受訪者所述一年前的 37% 上升。55% 受訪高管指出,缺乏業務背景是洞察質素欠佳的主因,45% 則提到數據零散或無法存取。52% 受訪企業認為智能體產生的洞察過多,只有 24% 能評估全部洞察。

  17. DEV Community38

    EVERYTHING to solid 公開 STL 網格轉 CAD 實體的方法

    Matthew Armstrong 發表《SOLID evidence》,公開 EVERYTHING to solid 將 STL 網格轉成 STEP 實體所用的方法,讓相關技術留在公開紀錄中,避免日後被專利限制使用。文件涵蓋 17 項披露,並整理項目的研究報告、測量結果及未奏效的方案。EVERYTHING to solid 是免費、非商用的離線程式。

11月2日週一
  1. HuggingFace Daily Papers(社區熱門論文)43

    P²-MOPD:以參數先驗加速多教師 on-policy 蒸餾

    P²-MOPD 將凍結專家模型的 task vectors 作為可學習參數先驗,與學生權重及係數 α 聯合訓練,以加速多教師 on-policy 蒸餾。Qwen3-1.7B 和 4B 實驗中,最終平均恢復率分別達 94.7% 和 94.9%,高於 MOPD 的 80.9% 和 83.1%,並以一半訓練步數超越 MOPD 的最終表現。