body armor
PulseAugur coverage of body armor — every cluster mentioning body armor across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的ARMOR框架通过处理缺失数据增强微服务根因分析能力
研究人员开发了ARMOR，一个新颖的自监督框架，旨在改进微服务中的根因分析，特别是在数据模态不完整的情况下。与在缺失数据方面存在困难的现有方法不同，ARMOR采用了一种特定于模态的编码器和一种感知缺失的融合机制来处理不完整的输入，而不会引入填充噪声。该框架即使在严重数据丢失的条件下，在异常检测、故障分类和根因定位方面也展示了最先进的性能。
-
新的强化学习系统ARMOR增强了无人机抵抗GPS欺骗攻击的能力
研究人员开发了ARMOR，一种新颖的强化学习（RL）控制系统，旨在增强无人机（UAV）在GPS欺骗等物理攻击下的鲁棒性。ARMOR学习创建无人机物理状态的鲁棒潜在表示，超越了可能被破坏的原始传感器数据。这种方法确保了即使传感器被操纵，无人机也能更安全地运行，并展示了对新型攻击的改进泛化能力。
-
新的ARMOR框架稳定LLM强化学习
研究人员推出ARMOR，一个旨在稳定大型语言模型（LLM）强化学习（RL）训练的新框架。该框架通过使用来自参考策略的离策略数据来维持已建立的解决方案模式，从而解决了LLM利用训练启发式方法的过度优化问题。ARMOR重新构建了策略目标，允许在不需要辅助损失的情况下进行受控探索，实验表明它能有效防止在推理基准测试上进行扩展训练期间的性能下降。
-
ARMOR方法通过检索器自适应增强电信问答
研究人员开发了ARMOR（自适应正则化混合优化检索器）方法，以改进电信领域的问答系统。该方法侧重于自适应检索增强生成（RAG）系统的检索器组件，而不是对生成器进行微调，这可能导致在低资源环境下过度专业化。ARMOR利用两个关键目标：优化生成效用和增强语义检索几何。实验表明，ARMOR在电信特定基准测试中同时提高了证据检索和答案生成能力。
-
ARMOR 方法优化低资源电信问答的检索
研究人员开发了 ARMOR（自适应正则化混合优化检索器），一种用于低资源问答（QA）场景（尤其是在电信领域）优化检索的新颖方法。与生成器微调不同，ARMOR 侧重于调整查询端检索器，以提高证据分散在各种来源中的性能。该系统联合利用 RAG 似然和 InfoNCE 对比目标来增强证据检索和答案生成。
-
百度DuMate智能体在PinchBench和DeepResearch基准测试中名列前茅
百度DuMate智能体在PinchBench和DeepResearch两大关键基准测试中均取得了领先地位。在评估真实场景下多步推理和工具使用的PinchBench测试中，DuMate占据了前两名，超越了Anthropic和OpenAI的模型。该智能体的成功归功于其端到端的协作Harness架构，该架构能够智能地在本地或云端处理任务并优化上下文组装。DuMate还在专为复杂研究任务设计的DeepResearch基准测试中领先，展示了其先…
-
迈向AI：企业拥抱提示工程，迎接新时代
本文讨论了提示工程的演变，从无拘无束的团队转向企业正在采用的更结构化的方法。它提出“Harness”的概念代表了这种转变，其中已建立的流程正与新的AI能力相结合。文章暗示，这种整合是企业充分利用AI技术的关键。
-
Pi推出具有白盒AI编辑和记忆功能的“下一代内容操作系统”
一个名为Pi的新型AI驱动内容系统已被开发出来，旨在将内容创建从黑盒生成模式转变为透明、可编辑的过程。与只提供单向输出的传统AI工具不同，Pi允许用户在任何阶段干预和修改内容。该系统建立在三层架构之上：用于资源管理的实体层、用于白盒推理的交互层以及用于保留用户偏好和上下文的记忆层。这种方法实现了人与AI之间的持续迭代和协作，重新定义了创作者、AI和内容之间的关系。