小型语言模型集成在恶意软件分析中超越单一大型语言模型

研究人员已证明，在恶意软件分析中，编排多个小型语言模型（SLM）可以有效地媲美甚至超越单一、大型语言模型（LLM）的性能。通过采用多智能体管道、对抗性辩论和分层咨询等各种架构，SLM集成显示出显著的改进。一个结合了Qwen3-4B和Foundation-Sec-8B的混合系统在Meta的CyberSecEval恶意软件分析基准测试中达到了35.30%的准确率，优于专业基线模型和未接地的前沿模型，尽管一个接地的Gemini配置仍以38.22%的准确率领先。 AI

影响 证明了更小、更易于访问的模型可以有效地组合起来，在网络安全等专业领域实现高性能。

排序理由 该集群包含一篇详细介绍LLM编排新研究成果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• CyberSecEval Malware Analysis benchmark
• Foundation-Sec-8B
• Gemini
• Meta
• Qwen3-4B

• 论文
• 模型发布
• 产品

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →