所有文章 · SURL AI News

LLM 漏洞驗證產物重跑後，30 個案例僅 10 個通過修補版本反證

一項預先註冊的重現性稽核發現，能執行並觸發崩潰的漏洞 PoC，不一定真的重現指定 CVE。受查的 30 個案例中有 20 個在修補版本仍觸發相同訊號，顯示代理安全基準需要比字串與退出碼更嚴格的判定器。

GENCO 透過異質圖注意力、物理量解碼及反覆殘差修正，統一處理潮流、最佳潮流與狀態估計。大型電網的批次推論明顯快於傳統 AC 求解器，但零樣本跨電網及真實 SCADA 準確率仍不足以直接取代既有工具。

Coderlet 將模型呼叫、工具驗證、執行結果與持久記憶拆成三個明確邊界，並以 MIT 授權提供可執行的 Python 實作。它適合研究代理控制流與失敗復原，不是性能更強的編程代理，而且目前會直接沿用使用者的作業系統權限。

Universal Activation Bus 將五個語言模型的中間表徵對齊至固定的 3,072 維空間，新模型只需訓練自己的線性編碼器與解碼器。實驗中的模型可沿用同一組探針、稀疏自動編碼器及自然語言解釋器，但較寬模型的表徵重建仍會明顯失真。

Google 將低延遲對話、深度臨床規劃與影音感知拆成三個非同步代理，在 100 個模擬視訊問診情境的整體評分高於醫師組的 68%。研究仍只使用專業病人演員，模型、程式及影音資料亦未公開，不能直接外推至真實醫療部署。

北京大學研究者讓多模態模型只負責解讀操作意圖，再由 Text／Icon 候選偵測器與凍結 CLIP 選出點擊區域，ScreenSpot-Pro 準確率由所列最佳基線的 18.9%升至 41.3%。論文所稱「無回歸」只適用於最終匹配階段，候選框偵測器本身仍使用框回歸損失，而且尚未公開實作。

Open-EA 把多輪視覺模型評測軌跡整理成 10,042 筆監督資料，將原本依賴 GPT-4o 的規劃流程移植至本機 EA-3B。模型、資料建構與 runtime 已公開，但「評測時間降至傳統方法 10%」主要來自原始 API 代理，不能直接視為 EA-3B 的普遍效率保證。

TIDE 不再把高 token 一致率直接視為蒸餾成功，而是分別處理學生過度生成及漏掉教師偏好 token 的問題。強錯配設定下，方法同時把平均回答長度縮短 3.6 倍，但重現完整訓練仍需八張 GPU，且作者未提供 checkpoint。

ICBQ 不更換量化器，而是讓相鄰 Transformer 區塊的邊界接受第二次聯合校正，減少早期誤差沿深度累積。品質改善的代價是量化時間平均增加 21%，且作者尚未釋出實作。

ElasticBack 把惡意規則藏進 `SKILL.md`，再以自然語句中的特定概念作為啟動開關，毋須修改模型權重。實驗顯示攻擊可避過多種靜態與執行期檢查，但 Claude 上的誤觸率仍達 20% 至 24%。

QueryProof 把歧義判定、SQL 白名單與執行後驗證交給確定性規則，只讓模型處理指標解析及 SQL 草擬。它在 80 題凍結測試集勝過未配置相同外殼的 32B 基線，但按題型家族重抽樣後，優勢區間仍跨越零。

Matryoshka Language Model Suites 將 500M、1.5B 與 3B 子模型串成可獨立截取的巢狀架構，避免為每個尺寸重複訓練。共享前段層與 KV 快取亦令推測解碼吞吐提高 14% 至 26%，但目前只在 3B 級基礎模型驗證。