一种名为 FactorDiff 的新方法将扩散样本分解为像素级因子，并将其路由给专门的专家，在 ARC-AGI 推理任务上的表现优于全局加权。此外，AMT-X 红队测试框架在前沿大型语言模型（LLM）上的攻击成功率达到了 100%，凸显了当前 LLM 安全评估方法存在的重大缺陷。 AI
影响 FactorDiff 提高了扩散模型在推理任务上的效率，而 AMT-X 则揭示了当前前沿 LLM 在安全测试方面存在的关键差距。
排序理由 该集群包含两项不同的研究发现：一项是关于一种新的扩散模型技术（FactorDiff），另一项是关于一个用于 LLM 的红队测试框架（AMT-X）。两者都不是主要实验室的前沿发布，也不是重大的行业举措。
在 Mastodon — mastodon.social 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
FactorDiff routes diffusion experts by pixel on ARC-AGI FactorDiff decomposes diffusion samples into pixel-level factors and routes each to the best expert, beating global weighting on ARC-AGI reasoning tasks. https://www. notatechguy.com/factordiff-rou tes-diffusion-experts-by-p…
AMT-X multi-turn red teaming hits 100% attack success on frontier LLMs AMT-X multi-turn red-teaming framework hit up to 100% attack success on six frontier AI models, exposing critical gaps in current LLM safety testing. https://www. notatechguy.com/amt-x-multi-tu rn-red-teaming-…