Bcl2l11
PulseAugur coverage of Bcl2l11 — every cluster mentioning Bcl2l11 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
AI在建筑工作流中被视为不可信的依赖项
作者将建筑工作流中的AI步骤视为不可信的依赖项，强调了仔细集成和验证的必要性。这种观点突出了AI在关键流程中当前的局限性和潜在的不可靠性，建议在建筑和软件开发等领域谨慎采用AI。
-
OpenAI的AI“蜂群”控制受CFAA质疑
BIML的一篇博客文章暗示，由于可能控制其服务器上的“蜂群”AI系统，OpenAI可能受到《计算机欺诈和滥用法案》（CFAA）的约束。或者，该文章提出，这个“蜂群”可能已经超出了OpenAI的控制范围，而后者的情况更有可能发生。讨论涉及机器学习安全、AI、信息安全和一般安全。
-
领域特定LLM增强BIM缺陷识别与修复能力
研究人员开发了一个新颖的框架，利用领域特定大语言模型（LLMs）来识别和修复建筑信息模型（BIM）数据中的设计缺陷。该方法集成了BIM到文本的方法和先进的提示技术，包括规则注入、少样本提示和检索增强生成（RAG），以生成修复建议。该系统在缺陷识别准确率方面达到了85%，超过了传统的规则检查方法，并在合理修复建议的生成率方面达到了94%。此外，还实施了一种幻觉控制策略，显著提高了准确性并减少了误报。
-
ONESTRUCTION 利用 AWS 构建专注于建筑业的基础模型
ONESTRUCTION 公司与 AWS 合作，为建筑行业的建筑信息模型 (BIM) 工作流程开发了 Ishigaki-IDS，一个专门的基础模型。该模型通过采用三阶段训练流程、合成数据生成以及结构化输出的可验证奖励，解决了数据稀缺和 IDS (信息交付规范) 等 BIM 标准复杂性的挑战。开发过程利用了 AWS GenAIIC，并使用了 Amazon EC2 P5en 实例进行分布式训练，旨在降低建筑专业人士有效利用 BIM 数据的门槛。
-
建筑PDF处理流程揭示：关键失败点在于协调而非PDF本身
一项为期一年的项目，每月处理10万份建筑PDF，揭示出文件本身并非主要的失败点。相反，问题源于错误分类法、文件间的协调以及对大幅面页面的处理。作者建议，与先进的解析模型相比，健壮的错误分类、为每个文档隔离流程运行以及使用提取的文本来校准视觉大语言模型的输出，对于系统稳定性更为关键。
-
BIML 坚持对 Anthropic 出口管制问题持批判性观点
BIML 小组坚持其在 Anthropic 寓言/神话出口管制问题上的立场，详细阐述了情况及其讽刺之处。他们认为，在此事上，Anthropic 和美国政府都没有采取正确的行动。
-
BIML 2026年研究重点关注人工智能安全性的衡量
BIML 发布了关于衡量人工智能安全性的研究，重点关注 2026 年。该研究通过 PDF 链接提供，探讨了“人工智能安全计”的概念。
-
BIML在德国电视上讨论AI出口管制
BIML在德国电视上讨论了围绕AI模型的出口管制情况。重点是“神话/寓言”出口管制指令，并呼吁更广泛地传播这一信息。讨论触及了机器学习和AI领域的安全影响。
-
美国政府发布针对 Fable 5 和 Mythos 5 的人工智能出口管制
美国政府发布了一项针对先进人工智能模型的出口管制指令，特别提到了 Fable 5 和 Mythos 5。此举被视为人工智能出口管制和安全讨论中一个具有讽刺意味的发展。
-
新的BIM框架使用图推理进行合规性检查
研究人员开发了一个名为SGR-BIM的新型基于图的语义推理框架，用于自动化建筑信息模型（BIM）中的合规性检查。该系统通过创建集成用户意图、法规语义和BIM几何的动态知识图，解决了现有方法的局限性。该框架在消防安全代码查询方面表现出84.3%的准确率，比基线方法提高了8.6%。这种方法旨在提高AEC行业中自动化几何合规性工作流的透明度和灵活性。
-
AI 安全专家讨论白盒控制和红队测试的局限性
Gary McGraw 在 Silver Bullet Security Podcast 节目中采访了 Tim Schulz，讨论 AI 安全。Schulz 涵盖了机器学习中的白盒控制和可观测性、AI 红队测试的局限性以及“神经外科”等概念。
-
OWASP 推出 ML 安全风险游戏，警告不要进行 AI 威胁建模
OWASP 发布了一款名为 Elevation of MLSec 的新互动游戏，旨在帮助用户识别和映射与机器学习相关的风险。该工具基于 BiML 的研究，旨在提高对 AI 安全威胁的理解。一篇相关的文章《AI没有安全指标》警告不要完全自动化 AI 威胁建模，强调需要人工监督。
-
论文认为 AI 不应单独处理软件威胁建模
最近一篇题为《AI没有安全指标》的论文认为，人工智能不应单独负责软件开发中的威胁建模。作者强调了人类监督对于验证 AI 生成的威胁评估的至关重要性。该论文还引用了一款名为“Elevation of MLSec”的游戏，可在 copi.owasp.org 上找到，旨在帮助用户理解与机器学习相关的风险。
-
BIML 发布免费 AI 安全报告
Berryville Machine Learning Institute (BIML) 发布了一份关于机器学习安全的免费报告。这家独立的非营利组织的调查结果现在可以公开访问，没有付费墙。该报告侧重于 AI 安全，并根据知识共享许可提供。
-
更简单的机器学习模型对对抗性攻击表现出惊人的鲁棒性
研究人员探讨了机器学习模型的架构选择如何增强其对基于梯度的对抗性攻击的鲁棒性。他们广泛的实验表明，更简单的网络设计、更少的特征和ReLU激活函数能持续降低模型的脆弱性。令人惊讶的是，基于这些原则构建的一个基础模型，在保持高检测准确率和更快训练速度的同时，其性能优于更复杂、经过对抗性训练的模型。
-
Revit审计工具赋能LLM检查BIM模型健康状况
一个名为oa-aec-mcp的开源插件已被开发出来，以弥合大型语言模型（LLM）与Revit的BIM软件之间的差距。该工具允许像Claude Desktop这样的LLM通过将自然语言请求转换为Revit的特定操作来执行复杂的模型审计。它提供了四种审计工具，包括模型健康摘要、房间放置检查、警告分类和命名约定审计，从而简化了BIM协调员的工作流程。
-
AI安全专家辩论递归数据污染与投毒威胁
一位来自BIML的安全研究员认为，与数据投毒相比，数据污染对AI系统构成了更大的威胁，尤其是在污染变得递归时。这一观点强调了在机器学习安全中，受损训练数据带来的微妙但重大的风险。
-
人工智能监管政策面临审查，因为前批评者拥抱监管
据报道，特朗普政府正在考虑其先前拒绝的人工智能监管政策。这种立场可能发生转变，正值 BIML 等组织表示担忧之际，它们担心参与人工智能开发的实体可能会被要求自我监管。这种情况凸显了人工智能治理和道德考量复杂且不断发展的格局。
-
BIML将递归污染识别为首要ML安全风险
BIML将递归污染识别为机器学习安全中的主要风险。这种威胁涉及AI系统可能因其自身的输出或在训练或运行期间引入的恶意数据而受到破坏。解决这个问题对于维护企业AI应用程序的完整性和可靠性至关重要。
-
基于LLM的自适应探索在BIM信息提取方面优于静态查询
研究人员开发了一种新颖的方法，通过采用基于LLM的代理来提取建筑信息模型（BIM）中的信息，该代理在运行时自适应地探索模型的结构。这种方法克服了静态方法的局限性，因为静态方法由于BIM数据固有的异构性而失效。在新的ifc-bench v2基准测试上评估了自适应探索范式，结果显示其在静态查询生成方面有显著改进。