Drift
PulseAugur coverage of Drift — every cluster mentioning Drift across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
AI上下文工程面临“中间丢失”效应的挑战
上下文工程，区别于提示工程，专注于管理模型在推理时接收的所有输入，包括系统提示、工具定义和消息历史。一个关键挑战是“上下文腐烂”，即随着上下文长度的增加，模型变得不那么可靠，这不是由于内存故障，而是因为Transformer的注意力机制被过度拉伸。研究表明存在“中间丢失”效应，模型难以回忆起长上下文中间部分的信息，而在信息位于开头或结尾时表现最佳。
-
新的DRIFT攻击以98-100%的成功率移除扩散模型水印
研究人员开发了一种名为DRIFT的新方法，用于移除嵌入在扩散模型生成图像中的水印。这种黑盒攻击通过部分重新加噪图像，然后使用随机反向重采样来探索替代生成路径。DRIFT通过识别水印被拒绝的第一个点并保留该拒绝信息来有效绕过水印验证，在无需访问密钥或内部验证器信息的情况下实现了高成功率和图像质量。
-
MLOps模型在仪表板正常运行的情况下悄然漂移
文章重点介绍了MLOps中的一个关键问题：虽然系统正常运行时间通常会受到监控，但已部署的机器学习模型的性能和准确性会随着时间的推移而悄然下降。这种“模型漂移”可能导致次优或不正确的输出，而不会触发标准的系统警报。文章强调需要专门的监控工具来直接跟踪模型性能指标，而不是仅仅依赖基础设施正常运行时间仪表板。
-
新的RAG方法LiteRAG和CAGE增强了连贯性和效率
两篇新研究论文LiteRAG和CAGE提出了改进检索增强生成（RAG）系统的新颖方法。LiteRAG通过使用算法探索而非昂贵的LLM控制来专注于降低查询时间成本和提高生成效率，在基准测试中实现了高质量，同时显著降低了延迟和成本。CAGE引入了一个重新排序框架，该框架模拟检索到的段落之间的连贯性，将它们转换为图，并使用关系图卷积网络来增强事实一致性并提高下游答案的精确度。
-
AI 代理 OAuth 授权在 Vercel 事件后成为新的安全风险
Vercel 于 2026 年 4 月 19 日披露的一起安全事件，凸显了一种与 AI 代理 OAuth 授权相关的新型安全事件指标。该事件源于 Vercel 一名员工使用的第三方 AI 工具 Context.ai 的泄露，导致该员工的 Google Workspace 账户被接管。攻击者因此得以访问 Vercel 系统内的敏感环境变量。该漏洞源于 AI 工具通过 OAuth 令牌获得广泛访问权限，而如果这些令牌由个人用户管理，则难以…
-
身份攻击者利用受信任的供应商和遗忘的凭证来攻破组织
复杂的攻击者越来越多地通过利用受信任的第三方关系和遗忘的凭证来攻击组织，而不是直接攻破防御。这种策略涉及攻击者研究组织已建立的信任模式以及授予供应商或服务账户的权限。通过利用这些受信任实体的泄露凭证或OAuth令牌，攻击者可以在不触发标准安全警报的情况下访问下游系统，因为他们的行为通常模仿合法行为。这种方法绕过了传统的安全措施，如边界防御甚至多因素身份验证，因为泄露发生在身份验证之后。
-
新的DRIFT框架提高了图像生成的通用性和对齐度
研究人员推出了一种名为DRIFT（Diversity-Incentivized Reinforcement Fine-Tuning，激励多样性的强化微调）的新框架，旨在增强图像生成模型的多功能性。该方法解决了强化学习微调中的“多样性崩溃”问题，即模型倾向于产生重复的输出。DRIFT采用了一些策略，例如采样奖励集中的子集、在提示中使用随机变化以及优化组内多样性，以平衡任务对齐度和生成多样性。实验表明，与现有方法相比，DRIFT在对齐度和…
-
Klaviyo 收购 AI 初创公司 Agency 以增强其 AI 代理能力
电子商务营销自动化公司 Klaviyo 已收购由 Elias Torres 创立的、提供 AI 驱动的客户成功服务的初创公司 Agency。此次收购旨在加速 Klaviyo 在营销活动和客户支持方面 AI 代理的开发。Agency 的创始人 Elias Torres 将加入 Klaviyo 担任首席产品官，与 Klaviyo 联合创始人兼首席执行官 Andrew Bialecki 重聚，后者曾与他共事。
-
新型Transformer模型DRIFT增强DGA检测能力以应对不断演变的威胁
研究人员开发了一个名为DRIFT的新型基于Transformer的框架，以对抗僵尸网络中使用的领域生成算法（DGA）不断演变的威胁。通过一项为期九年的研究，他们观察到随着新变种的出现，现有的DGA检测方法会迅速退化。DRIFT通过学习不变表示来解决这个问题，它采用混合标记化策略，结合了字符级和子词级编码，以及多任务自监督预训练。评估表明，DRIFT显著缓解了时间退化，并在前向链接实验中超越了当前最先进的基线，提供了更可靠的长期防御。
-
新研究探讨流匹配模型增强与漏洞 · 跟踪9个来源
研究人员正在探索增强流匹配模型的新方法，流匹配是生成任务的一种流行范式。一篇论文引入了“去噪加速”（accel）作为估计流匹配动作不确定性的免费代理，通过识别错误输出来提高实时控制的安全性，而无需额外的计算开销。另一项研究提出了“DRIFT”，一种对抗性补丁攻击，通过靶向去噪轨迹来有效破坏流匹配的视觉-语言-动作模型，揭示了其感知鲁棒性中令人惊讶的漏洞。此外，还提出了“单侧分位数耦合流匹配”（QC-FM）和“能量引导流匹配”（EG-F…
-
新的DRIFT框架通过自适应流增强磁共振成像超分辨率
研究人员开发了DRIFT，一种用于提高面内磁共振成像（MRI）分辨率的新型两阶段框架。该方法解决了MRI超分辨率中速度与保真度之间的权衡问题，而这种权衡通常因为了缩短扫描时间而进行的各向异性采集而加剧。DRIFT利用解剖投影网络进行初始解剖映射，并通过一个由物理感知难易度指标引导的校正流阶段来完善细节并根据切片厚度自适应ODE步长，从而实现更高效、更准确的重建。
-
新的DRIFT框架提升LLM自我改进能力，创SOTA基准 · 追踪2个来源
研究人员开发了DRIFT，一个无需外部专家监督即可增强大型语言模型自我改进能力的新型框架。DRIFT采用难度路由和节律门控来管理模型的学习过程，将探索集中在关键的推理领域和问题级别进展上。在五个基准和三个模型规模上的评估表明，DRIFT的表现优于GRPO和SDPO等现有方法，取得了79.5%的新SOTA平均分数，并显著提高了ToolUse基准的准确性。
-
MLOps：漂移检测后自动化模型再训练
本文讨论了从检测机器学习模型中的数据漂移到通过自动化再训练积极解决数据漂移的重要性。它强调最终目标是通过实施闭环系统，在识别出漂移时触发再训练，从而确保模型保持有效。该文提倡采用 MLOps 实践来促进这一持续改进周期。
-
新的DRIFT方法优化大型语言模型训练数据以提升性能
研究人员开发了一种新颖的指令数据优化方法DRIFT，旨在提升大型语言模型的性能上限。与专注于子集选择的现有数据策选技术不同，DRIFT旨在改进数据分布本身。它利用策略内影响函数，将模型自身的rollouts作为验证目标，以解决标准影响函数公式中存在的邻近差距和梯度范数偏差等局限性。使用7B参数模型的实验表明，DRIFT能有效提升指令和推理任务的性能，优于当前的数据策选基线。
-
MLOps：超越模型训练 - 实战指南
两篇文章讨论了MLOps，重点关注模型初始训练之外的实际方面。第一篇文章强调，构建MLOps平台是一项艰巨的任务，训练模型仅占整体工作的一小部分。第二篇文章提供了MLOps的入门指南，涵盖了版本控制、部署、监控和漂移检测等基本组成部分。
-
新的DRIFT方法改进了AI生成图像的检测
研究人员开发了一种名为DRIFT的新方法来检测AI生成的图像，该方法可以适应未见的图像生成器。这种方法将检测表述为使用单类监督学习真实图像的不变性流形。DRIFT利用轻量级投影头将图像表示空间分离为鲁棒子空间和脆弱子空间，通过测试不变性的违反来启用检测。
-
AI框架DRIFT提升6G卫星网络效率
研究人员开发了一个名为DRIFT的新型AI驱动框架，用于预测6G非地面网络中的无线信道响应。该轻量级架构旨在通过在初始导频传输后依赖数据驱动的处理来减少导频开销。DRIFT的卷积和LSTM变体设计用于低计算成本，使其适用于功耗受限的卫星实现，并实现高达12%的频谱效率提升。
-
新的DRIFT框架提升了LLM多轮学习效率
研究人员推出了一种新的框架DRIFT，旨在提高大型语言模型进行多轮交互训练的效率。DRIFT解决了昂贵的在线强化学习与效果较差的离线监督微调之间的权衡问题。通过将轨迹采样与优化解耦并使用重要性权重，DRIFT在保持监督微调的简洁性和效率的同时，实现了与强化学习相当的性能。