Hydra++
PulseAugur coverage of Hydra++ — every cluster mentioning Hydra++ across labs, papers, and developer communities, ranked by signal.
- 2026-08-18 product_launch The Hydra overclocking tool was updated to version 2.3B, adding VRAM and power limit controls for Nvidia RTX 50-series GPUs. 来源
4 天有情绪数据
-
新型混合模型Tydra提高了表格数据学习效率
研究人员开发了Tydra，一种结合了Transformer和状态空间模型（SSM）架构的新型混合模型，以提高表格数据上下文学习的效率。这种新架构交织了注意力机制和SSM层，解决了纯Transformer模型（如TabPFN）的二次计算成本问题，同时保持了强大的预测性能。在30个OpenML数据集上的评估显示，与TabPFN相比，Tydra的推理时间减少了30%，并且性能优于规模大得多的Hydra模型，这表明混合方法是表格基础模型的一个…
-
Hydra工具为Nvidia RTX 50系列GPU增加VRAM和功耗控制
超频工具Hydra已更新至2.3B版本，现已支持Nvidia RTX 50系列GPU的显存超频和功耗限制调整。此次更新允许显存偏移高达+3000MHz，可能达到36 Gbps，以及125%的静态功耗限制。该工具还引入了直接XBAR偏移控制和无限制电压频率曲线等高级功能，以满足极限超频玩家的需求。
-
HYDRA架构通过双曲几何增强Kolmogorov-Arnold网络
研究人员开发了HYDRA，一种通过结合双曲几何来扩展Kolmogorov-Arnold网络（KANs）的新架构。这种方法旨在减少KANs中的参数冗余，这会限制它们的扩展性和效率。HYDRA将输入映射到双曲潜在空间，并使用低秩原型块来共享函数变换，从而在保持各种基准测试中具有竞争力的预测性能的同时，提高了参数效率和可解释性。
-
新架构HYDRA优先考虑局部有效性以实现可认证的状态完整性
一篇新论文提出了HYDRA架构，作为在安全关键型网络物理系统（CPS）中实现可认证状态完整性的参考。作者认为，依赖单一的、全局参数化的基础模型来处理时间序列和物理动力学可能会阻碍适应性和分析。相反，他们主张构建一个基于局部有效模型和显式组合的系统，并通过运行时仲裁和覆盖范围差距监控来确保完整性。
-
GEqTrain 框架增强了 GNN 在 3D 科学任务中的可重用性
研究人员开发了 GEqTrain，这是一个旨在增强等变图神经网络 (GNN) 在 3D 科学任务中可重用性的新框架。这个驱动式系统将数据集语义、模型组成和训练目标分开，允许通过更改配置来简单地将单个等变骨干网络和训练基础设施适应新问题。该框架已在生物分子系统回溯、NMR 化学位移预测和等变生成建模方面得到验证，在减少软件开销的同时，在各种任务中都显示出具有竞争力的准确性。此外，GEqDiff，一个生成式扩展，能够联合重建笛卡尔坐标和非标量节点场。
-
新研究为时间序列分类提供高级方法
两篇新研究论文提出了新颖的时间序列分类方法。第一篇MASHT利用随机卷积特征和预训练的表格基础模型，无需特定任务训练即可取得有竞争力的结果。第二篇ProtoTSNet通过增强ProtoPNet架构，引入了具有分组卷积和可预训练编码器的可解释多变量时间序列分类方法。
-
XAI驱动的数据缩减提高了时间序列分类的可扩展性
研究人员开发了一种名为drXAI的新方法，该方法利用可解释人工智能（XAI）技术来缩减时间序列分类（TSC）任务的数据量。这种方法解决了大型数据集和复杂模型（如Transformer）带来的计算挑战，后者的复杂度与序列长度呈二次方关系。通过使用一个快速分类器生成特征重要性分数，并采用自动化启发式方法进行选择，drXAI可以在保持分类准确性的同时显著减少数据量，从而使资源密集型模型能够处理以前无法访问的数据集。
-
新的HCRMap框架优化了3.5D片上系统中MoE大语言模型的推理
一篇新研究论文介绍了一种名为HCRMap的框架，该框架旨在优化3.5D片上系统上混合专家（MoE）大语言模型的推理。HCRMap通过动态管理不同内存层级的专家副本，解决了专家热度倾斜问题（即某些专家接收到的token数量不成比例）。这种方法旨在缓解通信、内存带宽和执行队列中的瓶颈。实验表明，与Hydra++、MoEntwine和PIMoE等现有方法相比，HCRMap显著降低了端到端延迟。
-
在线与离线密码攻击：工具、战术与防御
本文区分了在线和离线密码攻击，并详细介绍了两者的工具和策略。在线攻击的目标是SSH或RDP等实时服务，速度慢且容易被发现，通常需要使用Hydra或Medusa等工具进行谨慎、有针对性的尝试。相反，离线攻击侧重于破解捕获的密码哈希，使用John the Ripper或Hashcat等工具，速度快且隐蔽，但需要事先访问哈希。文章还建议防御者通过实施速率限制、账户锁定和强大的哈希算法来减轻这些威胁。
-
Hydra++系统通过详细的物体形状估计增强3D场景图
研究人员开发了Hydra++，一个用于构建具有详细物体级形状估计的分层3D场景图的系统。与使用粗糙几何的先前系统不同，Hydra++集成了基于学习的形状估计器和一致性检查来完善实例特定的细节。该系统可以使用CRISP等配置实时运行，或使用SAM3D等较慢但更准确的估计器，从而在速度和细节之间进行权衡。Hydra++还支持混合激光雷达-摄像头设置，以提高大规模室外环境中的重建质量。
-
Hydra++ 通过物体形状估计推进实时三维场景图构建
研究人员开发了 Hydra++，一个用于实时构建分层三维场景图的新系统。该系统通过集成基于学习的估计器来增强物体级形状估计，改进了依赖粗糙几何或通用模板的现有方法。Hydra++ 包含拒绝不准确预测的机制，并可与混合激光雷达-相机配置配合用于大规模室外环境，在模拟和真实场景中均展示了重建质量的提升。
-
GitHub Copilot CLI 通过 HyDRA 增加 AI 模型自动选择功能
GitHub 增强了其 Copilot 命令行界面 (CLI)，增加了一个名为 HyDRA（混合动态路由架构）的新自动 AI 模型选择功能，该功能将于 2026 年 7 月 1 日推出。该系统根据推理深度、代码复杂性、调试难度和工具编排需求等因素，智能地将用户请求路由到最合适的 AI 模型。HyDRA 还考虑实时模型可用性和健康状况，通过最大化缓存命中率来优化性能并减少令牌浪费。此功能预计将为付费计划提供 10% 的 AI 积分折扣，…
-
恶意 MCP 服务器凸显持续信任检查的必要性；授权转向 OAuth 2.1
在 npm 上发现了一个名为 postmark-mcp 的恶意软件包，该软件包允许 AI 助手发送电子邮件，但隐藏了一行代码，可以将所有传出的电子邮件转发给陌生人。此事件凸显了持续验证软件依赖项的关键需求，因为安装时建立的信任会随着时间的推移而衰减。提出的解决方案包括捕获和持续比较工具和 API 的具体、结构化描述，而不是依赖于初始信任评估。与此同时，模型上下文协议 (MCP) 已发展其身份验证机制，从自我颁发的凭证转向标准化的 OA…
-
Mastodon 用户 @negativepid 涵盖多元科技与网络安全话题
该集群汇集了 Mastodon 账户 @negativepid 的多篇帖子，涵盖了技术和网络安全领域广泛的主题。帖子涉及了诸如 Ray Tomlinson 发明电子邮件和 Paul Mockapetris 在 DNS 方面的工作等历史性数字创新，以及诸如 BreachForums 的重新启动、密码学作为权力工具的使用以及 CEO 语音深度伪造诈骗的兴起等当代问题。此外，帖子还探讨了机器人作为伴侣的潜力，并深入研究了量子门和电路等技术主…
-
HyDRA框架动态路由大语言模型查询，降低成本并提高效率
研究人员开发了HyDRA，一个用于将查询动态路由到异构大语言模型池的新型框架。与之前进行强弱二元决策或要求为目录更改进行再训练的旧方法不同，HyDRA为每个查询预测细粒度的能力需求，并使用短缺匹配将其与模型配置文件进行匹配。这种方法将预测器与模型目录解耦，允许在不进行再训练的情况下轻松添加或删除模型。在实际应用中，HyDRA实现了86毫秒的中位数CPU推理延迟，并在各种基准测试和语种家族中，以最小的质量权衡实现了显著的成本节约。
-
Valve 创始人 Gabe Newell 资助价值 7 亿欧元的巨型深海研究船
Valve 创始人 Gabe Newell 正通过其海洋研究组织 Inkfish 资助建造一艘巨型深海研究船 RV11000。这个耗资 7 亿欧元的项目由挪威造船厂 Vard 承建，将是 Vard 历史上最大的单船订单，可容纳多达 130 名科学家。该船配备了探索和分析最深海域的先进技术，包括载人潜水器、深海潜水器和遥控潜水器等能力，旨在为开放科学存储库做出贡献。
-
新的Hydra框架稳定了扩散模型中的多概念后门攻击
研究人员开发了Hydra，一个旨在稳定文本到图像扩散模型中多概念后门注入的框架。这一点至关重要，因为开源模型经常被微调和重新分发，导致潜在的冲突和因累积的后门行为而导致的质量下降。Hydra通过演进与目标概念对齐但对其他概念保持稳定的文本编码器触发器来解决这个问题，并使用多任务微调结合正则化来增强训练稳定性。实验表明，Hydra在保持干净生成保真度的同时，实现了高攻击成功率。
-
腾讯大力投资AI，影响第一季度利润和股价
腾讯2026年第一季度财报显示，其研发和资本支出分别大幅增加至225.4亿元和319.4亿元人民币，主要由AI基础设施和模型开发驱动。尽管进行了这些投资，公司的利润增长仍略有放缓，导致股价下跌。腾讯正将其AI战略性地整合到其核心业务中，包括广告、游戏和微信，旨在提高效率和用户体验，而非立即最大化利润。
-
Databricks 使用 Hydra 扩展监控；nOps 在 Lakebase 上重建
Databricks 开发了一个名为 Hydra 的新监控平台，构建在其 Lakehouse 架构之上，以处理其海量运营规模，每日摄取超过 10 万亿个样本并管理 50 亿个活跃时间序列。该平台解决了高基数指标的挑战，并旨在实现更少干预、自我修复的基础设施。同时，nOps 使用 Databricks Lakebase 重建了其云优化平台，整合了其应用程序和分析，以实现更简单、更快的架构。此外，多家公司正在推出旨在简化跨 AWS、GCP…