Cedar
PulseAugur coverage of Cedar — every cluster mentioning Cedar across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的CEDAR框架将语言指令与自动机相结合，用于具身代理
研究人员开发了CEDAR，一个使用正则语言来表示具身代理约束的新框架。该方法将自然语言指令接地到有限自动机，从而实现可验证和可组合的技能。通过将学习到的技能与特定约束相交，CEDAR确保代理遵守时间和空间要求，这在Minecraft中得到了证明，其在维持这些约束和减少LLM查询方面优于基线模型。
-
新的CEDAR框架通过事件驱动的模拟增强需求预测
研究人员开发了CEDAR，一个新颖的两阶段框架，用于决策条件下的鲁棒需求预测模拟。该系统旨在通过学习可控的动作条件状态转换，并利用外部信号和LLM辅助的文本表示来纠正事件驱动的偏差，从而克服传统被动预测方法的局限性。在阿里巴巴1688的大型数据集上进行测试，CEDAR证明了比现有基线更高的模拟准确性，并为实际预算规划提供了实际效益。
-
Agentic AI在医疗保健计费和药物开发中找到新应用
Cedar已实施agentic AI以简化患者账单并改善患者的财务体验。此外，AI Agents正在被探索其在药物开发中的财务价值，这凸显了这项技术在不同行业中的应用范围不断扩大。
-
英伟达牵头的AI安全组织迅速提出事件响应协议 · 跟踪到2个来源
由英伟达发起、现已包含120多家公司的行业组织开放安全人工智能联盟（OSAA）已迅速制定了人工智能网络安全初步提案。这些提案在Black Hat大会上提出，侧重于保密事件报告、通知受影响方以及促进无责分析，以促进生态系统内的学习。包括英伟达、Okta、Red Hat和Amazon在内的几家成员公司也正在贡献开源技术，以增强AI代理的安全并防御潜在威胁。
-
新框架和库推动复杂时间序列因果发现
两篇新研究论文介绍了用于复杂时间序列因果发现的先进方法。第一篇论文提出了一个新颖的框架，在Transformer架构中使用反向因果自注意力机制来识别潜在和间接的因果关系，在各种数据集上表现优于现有方法。第二篇论文提出了Causal-TS，一个开源Python库，整合了多种因果发现算法，并包含处理非平稳数据和结构性断裂的功能，旨在为因果效应估计提供端到端流程。
-
TrueFoundry 将自身定位为优于 MintMCP 的 MCP 治理解决方案
TrueFoundry 被呈现为 MintMCP 的一个更优替代方案，用于治理 MCP（机器通信协议）的使用，特别是对于需要全面 AI 治理的组织。虽然 MintMCP 为 MCP 提供专业功能，但 TrueFoundry 将 MCP 治理整合到一个更广泛的控制平面中，该平面还管理 LLM 网关和 Agent 注册表。这种统一的方法简化了需要同时治理模型、代理和 MCP 工具的用户的管理。TrueFoundry 还通过托管、混合和自托…
-
MCP 网关对于企业 AI 工具访问控制至关重要
两篇文章讨论了模型上下文协议 (MCP) 网关对于企业 AI 安全和治理的重要性。这些网关充当中央控制平面，管理 AI 代理对工具和数据的访问。重点介绍的关键功能包括基于角色的访问控制 (RBAC)、与 Okta 和 Microsoft Entra 等身份提供商的集成、细粒度的工具级策略以及全面的审计日志记录，以确保安全且可治理的代理式 AI 操作。
-
新的CEDAR基准测试LLM在文化特定情感反应方面的表现
研究人员推出了CEDAR，这是一个旨在评估大型语言模型（LLM）在理解文化特定情感反应方面表现的新基准。与以往侧重于事实知识的基准不同，CEDAR使用场景来捕捉跨文化的、主观的解释差异。该基准包含七种语言的10,962个实例，包括多模态和纯文本样本，涵盖14个不同的情感类别。对17个多语言模型的评估显示，语言一致性与真正的文化一致性之间存在差距，表明LLM在基于文化的、有情感的理解方面仍存在困难。
-
新框架AutoCedar从自然语言合成访问控制策略
研究人员开发了AutoCedar，一个旨在从自然语言需求合成访问控制策略的代理框架。该系统解决了直接将自然语言翻译成代码所带来的风险，因为这可能导致意外的访问授权。AutoCedar将过程分解为更小、可审查的意图原子（用于词汇和行为），然后进行模型建议的策略合成，并通过基于验证器的检查来与批准的目标进行比对。这种迭代反馈循环允许模型在不改变核心意图的情况下优化策略，使端到端的策略编写过程更易于管理和验证。
-
LLM治理：团队访问和控制的关键问题
一个关于团队实施大型语言模型（LLM）的指南强调了四个关键问题：成本、安全、访问和审计。它建议采用“先审计后预算”的方法来制定预算和安全护栏，让团队在强制执行严格政策之前观察潜在问题。该建议还包括从开发到生产环境逐步实施更严格的政策，并利用细粒度的访问控制来管理代理可以调用的工具。
-
新的AgenticRei框架通过义务策略增强AI治理
研究人员推出AgenticRei，一个旨在为自主代理式AI系统提供强大运行时治理的新框架。该系统通过整合义务生命周期管理、元策略冲突解决和豁免义务的豁免等功能，解决了当前XACML、Rego和Cedar等策略引擎的局限性。AgenticRei利用基于Rei框架的义务策略语言，该语言用OWL表示并由外部逻辑引擎评估，以治理工具调用和代理间通信。
-
AWS、PolicyLayer、NSA 在确定性 AI 代理策略上达成一致
AWS 已在其 Amazon Bedrock AgentCore 中采用了确定性策略架构来控制 AI 代理，这与 PolicyLayer 开发的方法相呼应。该架构通过在模型推理循环之外的网关处评估工具调用来强制执行安全性，确保了决策的一致性和可审计性。NSA 也独立地得出了类似的 AI 代理控制安全原则，这表明了对这种架构模式日益增长的共识。
-
Snowflake收购Natoma，加强AI代理治理
Snowflake于2026年5月27日以未披露金额收购Natoma，凸显了企业对AI治理日益增长的需求。此举验证了模型上下文协议（MCP）类别，但促使用户重新评估其多用户代理基础设施。虽然Natoma将整合到Snowflake的AI代理治理和身份层中，但潜在用户和现有客户对其独立可用性和未来路线图仍面临不确定性。
-
Anthropic 提交首次公开募股申请，由首席财务官 Krishna Rao 领导
Anthropic 已秘密向美国证券交易委员会提交了拟议的公开上市申请，由首席财务官 Krishna Rao 领导该流程。此举使 Anthropic 有可能最早在 2026 年底上市，具体取决于市场状况和美国证券交易委员会的审查。此次提交是在最近一轮 650 亿美元的 H 系列融资之后进行的，该轮融资使公司估值达到 9650 亿美元，超过了竞争对手 OpenAI。
-
AI重塑软件开发，将焦点从代码转向想象力
超过3000名软件开发人员参加了由DeepLearning.AI组织的AI Dev 26 x SF会议，讨论AI在软件开发中不断演变的角色。发言者强调，AI正在将瓶颈从编码转移到想象力，并加速行业转型。虽然一些人将AI视为提高速度和效率的工具，但另一些人则强调降低缺陷率和保持代码正确性高标准的重要性，并提到了Hydro、Cedar和Strata等项目。