跳到主要内容
检索

Singapore Management University

7 篇关联报道

订阅更新
  1. arXiv

    思维链为何能解没见过的多步题：同一步预测器反复复用，误差按步数亚线性累积

    思维链的分布外泛化被解释为组合式泛化：训练只给单步原子转移，目标任务却需要多步组合。理论把目标风险写成各单步风险之和乘以一个与步数无关的系数，并证明共享同一个预测器使估计项按步数的平方根倒数收缩，而非随步数线性增长。Atom-Task 与 GSM8K 实验支持短链到长链、以及未见操作组合上的迁移，同时显示显式状态跟踪不可缺少。

    Nanjing UniversitySingapore Management University
    Nuojing Liang（第一作者）
    思维链分布外泛化泛化界组合泛化下一词元预测
  2. arXiv

    Janus把红蓝对抗搬进反序列化防御：16个部署的留出攻击成功率降到6.2%

    不安全反序列化让攻击者能借应用依赖里的方法链执行任意代码，而网关、应用、系统三层各自只看得到攻击的一部分。Janus 在隔离副本上让黑盒攻击智能体不断寻找绕过变体，防御智能体把每个已验证变体归纳成安全相关效果，再用反事实重放区分互补覆盖与冗余规则，联合选择并限定各层控制。在六个 Java 与 PHP 应用的 16 个部署上，留出攻击成功率降到 6.2%，而网关、应用、系统与跨层基线为 18.8%–55.0%，同时通过 98.4% 的正常功能测试。

    Hong Kong Polytechnic UniversityNanyang Technological UniversityUniversity of Electronic Science and Technology of ChinaSingapore Management University
    Ruozhao Yang（第一作者）
    Janus跨层防御合成框架跨层防御合成反事实重放不安全反序列化防御
  3. arXiv

    智能体记忆不再只防写坏内容：保留哪段经历、按什么顺序合并，同样能改写决策

    MemForm把智能体长期记忆的形成过程拆成内容、证据、范围、选择、路径五个可干预接口，在六个大模型和两种作答格式上，五个接口都出现了行为被改写的情况。

    National University of SingaporeSingapore Management University
    Haowen Pan（第一作者）
    MemForm记忆形成投毒智能体记忆智能体安全大语言模型智能体
  4. arXiv

    编码智能体互相出题：GPT-5.5修掉98.3%缺陷，Claude Opus 4.8出题最难

    编码智能体评测改成两名智能体互出题、互解题：GPT-5.5配Codex CLI在1500回合中修掉98.3%的缺陷，Claude Opus 4.8配mini-swe-agent出题最难，红方胜率27.3%。

    Singapore Management University
    Wei Minn（第一作者）
    SWE-Duel自扩展基准编码智能体程序修复
  5. arXiv

    代码还在推理流里就被拦下：安全规则一响，模型当场改稿，安全且可运行的比例从不足15%升到72.8%–98.1%

    推理模型在思维链里早早写出代码草稿，SecReason在草稿交付前扫描流式token并插入警告，让模型在同一条推理轨迹内改稿，把既安全又通过功能测试的运行比例从不足15%提高到72.8%–98.1%。

    Singapore Management University
    Ruidong Han（第一作者）
    SecReason流内自我修复漏洞检测静态分析大语言模型代码生成
  6. arXiv

    HASTE 用稀疏威胁证据自动演化智能体防护栏，在多种骨干模型与攻击类型上降低攻击成功率并保持良性任务效用

    HASTE 是一个多智能体框架，通过安全规范生成与攻击用例生成之间的对抗性互动，从威胁报告和预印本中的简短描述或少量攻击样例等稀疏证据出发自动演化智能体防护栏，并把评估结果反馈回两个过程，从而针对超出初始观测证据的新兴攻击持续更新防护栏；在多种骨干模型、攻击类型和证据形式上的实验显示，它一致降低攻击成功率，同时保持良性任务效用。

    National University of SingaporeSingapore Management University
    Xiqiao Xiong（第一作者）
    HASTE框架运行框架演化
  7. arXiv

    Jev 在 Amazon 三域重排中保持高 NDCG@10，延迟随候选集增大增长远慢于点式 Qwen

    该研究在 Amazon Reviews 2023 的 Movies and TV、Video Games、Books 三个域上，用 SASRec 检索出的高排名负例构造受控困难候选集（候选规模从 10 到 100），把被 TypeSafe AI 称为“System One Model”的决策导向模型 Jev 与 SASRec、DCNv2 以及 Qwen2.5 7B Instruct 的点式与列表式重排器对比，发现 Jev 在保持较强推荐效果（NDCG@10、Hit Rate@10、MRR）的同时，其观测服务延迟随候选集增大的增长明显比点式 Qwen 更平缓，但仍远高于推荐专用模型。

    TypeSafe AISingapore Management University
    Hanjia Lyu（第一作者）
    Jev决策导向推荐重排序推荐重排序Qwen2.5逐点重排序

已读完全部报道