srpanj 2026.

Ασφάλεια LLM μετά το fine-tuning σε περιβάλλον πολλαπλών prompt templates

Ασφάλεια LLM μετά το fine-tuning: γιατί το prompt template μπορεί να ακυρώσει την άμυνα

Η ασφάλεια LLM μετά το fine-tuning απαιτεί cross-template tests. Δείτε πώς το ROPD μειώνει το ASR χωρίς να θυσιάζει την εξειδικευμένη ικανότητα.

Pročitajte višeΑσφάλεια LLM μετά το fine-tuning: γιατί το prompt template μπορεί να ακυρώσει την άμυνα
AI agent με δυναμικά δικαιώματα σε ασφαλή εταιρική υποδομή

Δυναμικά δικαιώματα για AI agents: μια αρχιτεκτονική ελάχιστης πρόσβασης

Τα δυναμικά δικαιώματα AI agents περιορίζουν credentials και εργαλεία ανά εργασία. Δείτε την αρχιτεκτονική τριών πηγών και ένα πρακτικό μονοπάτι ασφαλούς υιοθέτησης.

Pročitajte višeΔυναμικά δικαιώματα για AI agents: μια αρχιτεκτονική ελάχιστης πρόσβασης
Τεχνικός ελέγχει επίγειο σταθμό για συνθετικά δεδομένα δορυφορικού internet

Συνθετικά δεδομένα για δορυφορικό internet: γιατί το GT-GAN αντέχει όταν λείπει το 40%

Νέα έρευνα συγκρίνει GT-GAN, SeriesGAN και Temporal VAE πάνω σε ελλιπείς μετρήσεις δορυφορικού internet. Το GT-GAN αντέχει καλύτερα στη σοβαρή απώλεια, αλλά δεν εξαλείφει το mode collapse.

Pročitajte višeΣυνθετικά δεδομένα για δορυφορικό internet: γιατί το GT-GAN αντέχει όταν λείπει το 40%
Ομάδα αξιολογεί compute-aware benchmark για diffusion LLMs

CaRE για diffusion LLMs: όταν το benchmark μετρά λάθος πρόοδο

Το CaRE δείχνει πώς το πραγματικό compute, τα metrics και η stochasticity μπορούν να αλλάξουν την κατάταξη ενός diffusion LLM benchmark. Πρακτικός οδηγός για δίκαιες συγκρίσεις μοντέλων και ασφαλέστερες επιχειρηματικές αποφάσεις.

Pročitajte višeCaRE για diffusion LLMs: όταν το benchmark μετρά λάθος πρόοδο
Ομάδα υποδομών αξιολογεί απόδοση GLIDE για LLM μεγάλου context

GLIDE: πώς η υβριδική προσοχή μειώνει το κόστος των LLM μεγάλου context

Το GLIDE κατανέμει softmax και linear attention ανά layer για να μειώσει το KV-cache I/O στα LLM μεγάλου context. Τι έδειξαν οι δοκιμές σε Llama-3-8B και Mistral-7B, πού βοηθά το LoRA και γιατί κάθε deployment χρειάζεται δικά του quality και latency tests.

Pročitajte višeGLIDE: πώς η υβριδική προσοχή μειώνει το κόστος των LLM μεγάλου context
Επαγγελματίας υγείας συζητά προγεννητικό πλάνο που υποστηρίζεται από PATHFinder Agent

PATHFinder Agent: πώς η AI επιχειρεί να εξατομικεύσει την προγεννητική φροντίδα

Το PATHFinder Agent οργανώνει εξατομικευμένη προγεννητική φροντίδα με 13 ελεγχόμενα εργαλεία και υποχρεωτική κλινική επίβλεψη. Τι αποδεικνύει η μελέτη και ποια μαθήματα δίνει για ασφαλέστερους επιχειρησιακούς AI agents;

Pročitajte višePATHFinder Agent: πώς η AI επιχειρεί να εξατομικεύσει την προγεννητική φροντίδα
Ομάδα ελέγχει δεδομένα εκπαίδευσης AI για ιχνηλασιμότητα με FrED και knowledge graphs

FrED: πώς τα knowledge graphs φωτίζουν τα δεδομένα πίσω από ένα AI

Το FrED συνδυάζει latent similarity και knowledge graphs για black-box Training Data Attribution. Τι έδειξαν τα πειράματα, πού σταματά η απόδειξη και πώς μπορεί να αξιολογηθεί επιχειρηματικά.

Pročitajte višeFrED: πώς τα knowledge graphs φωτίζουν τα δεδομένα πίσω από ένα AI