HoF-Bench:无需前沿大模型,轻量级AI复现68%真实开源CVE
HoF-Bench 的实验结果重构了软件工程团队对 AI 辅助代码安全分析的固有认知。它明确证实了利用廉价模型搭建实用级 SAST 分析器的可行性。以往企业往往受困于大参数前沿模型高昂的 Token 费用和有限的速率配额,难以为全量代码库落地持续审计;而实验证明,在极简的脚手架下。
HoF-Bench 的实验结果重构了软件工程团队对 AI 辅助代码安全分析的固有认知。它明确证实了利用廉价模型搭建实用级 SAST 分析器的可行性。以往企业往往受困于大参数前沿模型高昂的 Token 费用和有限的速率配额,难以为全量代码库落地持续审计;而实验证明,在极简的脚手架下。
从 CanItDelete 暴露出的断层,到仅需 0.7% 数据微调便能大幅缓解的实验结果,论文指向了一条清晰的演进路径:未来的代码大模型后训练,必须将“减法能力”提升到与“加法能力”对等的战略高度。
Google:实验结果清晰地表明了“盲目提示”与“精准开药”的差距。仅仅依靠第二阶段的泛化指令,模型往往在代码外围做无用功,甚至引发代码膨胀;而一旦在第三阶段提供精准的缺陷分类反馈,模型便能准确识别此前遗漏的性能陷阱。
针对这一工程痛点,NVIDIA 团队提出了一种全新的解决思路: 跨模型 KV 缓存迁移(Cross-Model KV Cache Transfer) 。研究人员发现,同家族但不同尺寸的模型之间,其 KV 表征存在着显著且稳定的线性相关性。
针对这一交互硬伤,阿里团队提出了 PACE (Playback-Aligned Context Engine,播放对齐上下文引擎)。这是一个独立于具体模型厂商的中间件层,它把客户端真实的音频播放边界作为物理代理锚点,将模型侧可见的上下文强行回退并修正到用户发声瞬间“真正听到”的内容范围内。
来自康考迪亚大学、麦克马斯特大学、Mila 魁北克人工智能研究所和多伦多大学的研究团队提出了一种全新的破局思路: CoAdapt-GUI 。这项工作不再指望源域训练能“一劳永逸”地搞定所有新软件,而是聚焦于 测试时自适应(Test-Time Adaptation, TTA) 。
针对这一工业落地痛点,来自亚马逊(Amazon)的研究团队提出了名为 TRACE (TRajectory Attribution for Automated Context Engineering)的自动化反馈回路框架。该研究的核心洞察在于:每一次失败的 Agent 交互轨迹本身就是一座未被充...
然而,来自 Salesforce AI Research 与 伊利诺伊大学厄巴纳-香槟分校(UIUC) 的研究团队在最新论文《AI4AI at Test-Time: Strong-to-Weak Capability Transfer via Harnesses》中提出了一个反直觉的视角:小模...
AI 评估机构 Epoch AI 近期发布了名为 OEIS Open 的开源基准,基于来自“在线整数序列百科全书”(OEIS)中由数学家提出且此前悬而未决的 492 个数学猜想。
来自南密西西比大学(University of Southern Mississippi)的研究团队在论文中提出了一种全新架构—— Outcome Monitors (结果监控器)。它打破了传统的“拦截纠错”思维,构建了一种轻量级、确定性且不具有强制约束力的“建议回执”机制。
PACE-Bench 的提出,给当前正热的自进化与代码智能体研究泼了一盆必要的冷水。长期以来,学术界容易沉浸在利用大语言模型解决纯文本、符号逻辑或标准化编程难题的胜利中,误以为结合简单的反思(Reflection)与记忆库即可实现通用的智能体自主进化。
本文提出的架构则走出了一条轻量级的动态编排路线。整个系统由 Manager 角色主导,但 Manager 不负责硬编码的流水线,而是维护一个共享文件空间作为工作记忆。针对输入的代码难题,Manager 首先调用生成式提示词生成初步方案与头脑风暴,建立待办任务清单(Task Ledger)。
HVTB:实验结果清晰地揭示了提示词防御的局限性。在最贴近现实生产环境的 L0 阶段(开发者仅给出通用禁令,无法预见特定漏洞),几乎所有前沿模型都表现出了相当比例的作弊行为。这说明当前大模型对高层抽象伦理指令的遵从能力,在复杂的长链条工具调用中会被迅速稀释。
来自华为技术有限公司、北京大学与东南大学的研究团队提出了自动化多跳网络靶场编排框架 RangeFactory 。该框架将复杂的靶场构建本质抽象为“依赖解析”问题,利用多智能体流水线从孤立的真实漏洞环境中自动提取能力与运行时依赖,并通过端到端实战攻击回放进行闭环验证。
针对这一威胁,来自 ELLIS 研究所、苏黎世联邦理工学院(ETH Zurich)、马克斯·普朗克智能系统研究所(MPI-IS)以及阿姆斯特丹大学等机构的研究团队提出了专为自动化 AI 研发设计的控制评估框架 ResearchArena 。
WeatherNext 3 选择在模型内部彻底打通这一环节,提出了针对离散观测的“站点输出头”(Station Output Head)。这一机制的本质是将天气预报转化为连续时空的函数查询任务: 在给定预报时刻,模型提取出高分辨率 0.1° 隐空间特征场; 当需要查询特定经纬度的地面预报时。
在自动驾驶的研究版图中,强化学习(RL)特别是基于多智能体自博弈(Self-play)的方法,一直被视为打破传统离线人类驾驶模仿学习天花板的一把利剑。离线模仿学习极度依赖昂贵的实车采集数据,并且天然受困于协变量偏移(CovariateShift),一旦模型自己走出没见过的危险轨迹,往往束手无策...
在软件工程智能体(CodingAgent)的演进过程中,从业者的交互模式正在发生一场深刻的范式转移。过去,开发者习惯于紧盯智能体的每一步输出,手工审查终端报错,并不断微调输入提示词。
大模型解决一道给定的数学竞赛题或验证一个形式化命题,已经屡见不鲜。从Putnam竞赛基准到各类形式化证明系统,AI的推理能力在快速逼近人类顶尖水平。然而,在真正的数学前沿研究中,这种“人出题、AI做题、人复核”的单题交付模式正迅速遭遇天花板。瓶颈不在于做题的速度,而在于题目从哪里来以及做完之后...
在构建和部署大语言模型智能体(Agent)系统时,开发者往往依赖一个核心假设:当一次智能体会话结束时,系统的运行状态会随之清零,或者仅仅保留被显式存入记忆模块的数据。基于这种假设,工具注册表会被清空,事件订阅会过期,中间计算过程会彻底消失。
当你将一个前沿大语言模型直接丢进一个完全未知的游戏环境中,不告诉它规则,也不告诉它怎么算赢,它能通关吗?在这个名为ARC-AGI-3的交互式网格世界基准测试中,即使是强大的GPT-5.6Sol模型,在直接游玩时的得分也仅有惨淡的7.8%。
在大型语言模型(LLM)走向智能体(Agent)化、深度介入现实业务的过程中,安全防御一直是悬在开发者头顶的达摩克利斯之剑。传统的安全训练往往依赖人类组成的“红队”(RedTeam)来测试模型的漏洞,或者收集有限的攻击数据集进行强化学习(RL)对抗训练。
在复杂软件系统的生命周期中,存在一个基础却常被忽视的矛盾:软件项目的存活时间,远远超过任何单个代码贡献者的参与周期。当大语言模型被引入代码生成领域时,当前的智能体开发范式几乎都在试图解决一个死胡同般的问题——如何让Agent拥有更长的上下文、更持久的记忆或更全局的管理者权限,以维持开发过程的连贯性。
在大型语言模型向复杂智能体(Agent)演进的过程中,模型需要从单纯的“一次性文本生成”转向能够在真实或模拟环境中执行长周期多步骤任务。特别是在基于终端(Terminal)的任务中,智能体需要协调代码库上下文、命令行交互,并在漫长的执行周期中不断根据反馈进行调整。