Kevin Mitnick
PulseAugur coverage of Kevin Mitnick — every cluster mentioning Kevin Mitnick across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
DMCA 阻碍互操作性,AI 或提供解决方案
《数字千年版权法》(DMCA)由比尔·克林顿于1998年签署成为法律,它创建了一个阻碍对抗性互操作性的法律框架。这项法律以及全球范围内类似的“反规避”法律,在未经制造商许可的情况下将逆向工程和修改技术定为犯罪。这种不对称性允许公司降级或禁用设备,而用户在试图恢复功能或创建对策时则面临法律处罚。文章认为,人工智能的进步,特别是通过“氛围编码”(vibe-coding),可能为个人开发绕过这些数字锁并实现“去垃圾化”(disenshitt…
-
Decision4Rec 框架将决策模型集成到推荐系统中
研究人员开发了 Decision4Rec,一个旨在将决策模型集成到推荐系统中的新颖框架。该框架利用知识图谱和活动图谱记录推荐场景,并采用一组代理来提出候选,然后由一个残差排序器选择最佳选项。决策模型(例如商业 Jev)在真实选择上进行训练,以提供每个选项的概率,然后将这些概率与排序器的分数相结合。该框架在推荐准确性方面表现出显著的改进,在稀疏数据集上的 NDCG@10 指标上比基线提高了高达 36%,在稠密数据集上几乎与基线持平。
-
Ollama 通过其库发布多个新AI模型 · 跟踪8个来源
Ollama 已宣布发布多个新模型,包括 minimax-m3.1-flash、bonsai-2、beam、kev、d1-omni、muse-spark-open、pplx-decider 和 nimble-v3。这些模型可通过 Ollama 库获取,并为每个模型提供了直接链接。
-
AI生成的代码在新基准测试中显示出重大的安全漏洞
一个新的基准测试,即最后的安全代码基准(Last Secure Code Benchmark),已被开发出来,用于评估AI编码代理生成的代码的安全性。该基准测试包含七种编程语言和众多通用弱点枚举(CWEs)的450个任务,揭示了AI生成的代码存在重大的安全漏洞。即使是表现最好的代理Claude Fable 5,也只能完成25.1%任务的功能性和安全性代码,这凸显了对AI辅助代码开发的安全影响的担忧。
-
AI代理的稳定性因尺寸而异,促使进一步研究
一位安全研究员测试了三种尺寸的Kev AI代理,包括一个较大的JEV变体,并将其与安全证据进行了对比。虽然较大的模型表现出更强的稳定性,但结果促使了进一步的架构研究。
-
新型 SecJev 模型为决策 AI 带来安全专业知识
研究人员推出了一系列名为 SecJev 的新型决策模型,这些模型专为安全应用而设计。这些模型拥有 0.8B 至 9B 的参数,基于 Kev 单通道候选评分器构建,能够从文本、遥测和历史观察等多种数据类型中学习。与通用模型相比,SecJev 模型在安全任务中表现出更高的性能,在较低的推理内存需求下实现了更高的准确性。
-
AI“Jev”接口迅速复制,决策模型商品化
一个新的人工智能接口,被称为“Jev”,迅速成为一种类型,在其宣布后几周内出现了多个开源实现。这种快速复制,如“Jev in 25 Lines of Python”和“Ollaya”等项目所展示的,表明低延迟类型化判断的核心接口已经通用化和商品化。虽然这给主要产品是这种特定无状态转换的企业带来了挑战,但它也使得这种决策能力能够更广泛地集成到各种应用程序中,将判断变成一种广泛可用的商品。
-
Jev AI 模型引发文本无关概率输出的克隆大战 · 追踪 2 个来源
一种新型 AI 模型 Jev 已出现,它专注于提供概率和分类,而不是生成文本。Jev 由 TypeSafe AI 的创始人 Diogo Almeida 开发,他曾是 OpenAI 的 ChatGPT 团队成员。Jev 旨在充当“前沿智能函数调用”。其核心创新在于速度和可靠性,能在毫秒内以概率回答输入的问题,而无需生成文本,从而避免了幻觉。这种方法引起了极大的兴趣,并迅速引发了一波开源克隆,例如 Kev 和 Laya,它们旨在复制 Je…
-
本地LLM设置指南更新,包含新模型和API
Thomas Bley 更新了他关于在本地运行大型语言模型的演示文稿,加入了Clef-Flash、Laya、Lev、Kev和OpenJev等新的决策模型。这些模型使用llama.cpp框架进行集成。更新还包括了使用Qwen-3-TTS进行TypeSafe System One API的测试和文本转语音功能,以及Nemotron 3.5 Lightning模型。
-
决策模型比较:系统一分析
本文从技术角度比较了决策模型,特别是系统一。它深入探讨了这些模型的机制,并提供了2026年10月的最新分析。比较包括了来自Jevíčko、评估论坛会议和实验室、Honor D1、Jeff和Kevin Mitnick等个人和实体的见解。
-
llama.cpp 添加 /v1/systemone API 以支持新的本地 LLM 模型
llama.cpp 项目集成了一个新的 API 端点 /v1/systemone,支持了几个新模型。这些模型包括 Laya、julia-1、lev、openjev 和 kev,并提供了它们在 Hugging Face 上 GGUF 版本的链接。此次更新增强了功能,包括在无需先前 'jev' 操作的情况下进行 'jev' 的能力,暗示了本地 LLM 环境中的新处理能力。
-
Glean 发布 Jev,一款用于类型化决策的零样本分类模型
Glean 推出了 Jev,一款“System One”模型,专为分类和评分等类型化决策而设计,通过托管 API 提供零样本灵活性。尽管一些人认为 Jev 是现有技术的翻版,但它的价值在于使用户无需重新训练即可更改问题和选项,并避免了自托管模型的复杂性。Glean 的内部测试表明,Jev 在重新排序任务上的表现具有竞争力,并且在某些情况下,在查询分类的成本和延迟方面优于基于 LLM 的路由器。
-
新研究揭示AI决策模型在尺度使用中的偏差
一篇新的研究论文识别出直接决策模型中存在的“序数尺度利用偏差”,即JEV和KEV等模型未能充分利用提供的用于分类和评估的序数尺度。尽管准确率很高,这些模型通常会压缩其预测,只使用可用尺度的一小部分。训练后修改,如BA-LoRA,表明这种偏差是学习到的并且可以缓解,从而显著提高尺度利用率。
-
Mastodon 帖子缺乏实质性内容
此集群包含一条 Mastodon 帖子,带有与 AI、玩偶和关系相关的标签,但缺乏可供总结的实质性内容。该帖子包含用户互动和标签,但未呈现清晰的叙述或信息。
-
开发人员在对评分系统了解有限的情况下,构建了用于漏洞分类的 AI 工具
一位开发人员构建了一个名为 triage-lens 的漏洞分类工具,该工具可自动对安全风险进行优先级排序。该工具使用来自 CVSS、EPSS 和 CISA KEV 的数据对漏洞进行排名。尽管开发人员最初对这些评分系统缺乏深入了解,但他们能够通过将其输出与真实世界数据进行比较来验证工具的准确性,这表明验证是一项与理论理解不同且至关重要的技能。
-
运行时验证是AI代理安全的关键,弥合了测试与护栏之间的差距
与传统测试相比,运行时验证对于AI代理的安全部署至关重要。测试在沙箱中运行一次,而护栏则在实时请求上持续运行,确保潜在漏洞在被利用之前被捕获。这一区别至关重要,因为AI代理的行为是动态且不可预测的,使其容易受到运行时攻击,而预先编写的测试无法预测这些攻击。CrewAI中的CVE-2026-2287和LiteLLM中的CVE-2026-42271等漏洞凸显了这一差距,因为它们涉及可利用的运行时交互,而不是代理自身代码中的错误。
-
Android 17 Beta 版本错误导致 Google Pixel 设备出现随机日期问题
Android 17 QPR2 Beta 1 版本据报道正在导致 Google Pixel 设备出现问题,一些用户遇到随机日期差异。此错误似乎影响了设备正确显示或处理日期的能力,导致意外行为。
-
新框架为代理式AI系统自动化咨询
研究人员开发了一个用于自动化代理式AI系统咨询的框架,重点关注确定性环境捕获和运行时遥测。这个AIBOM驱动的CSAF-VEX系统根据声明的工件、观察到的条件和强制执行的策略计算可利用性。该框架从静态和运行时证据生成加密签名的咨询,并通过确定性回放进行验证,并在具有数千个组件的合成AI工作负载上进行了评估。
-
角雕用特化的爪子和敏捷性捕猎猴子
角雕,一种生活在中南美洲雨林的大型猛禽,以其从森林树冠层直接捕猎猴子和其他树栖哺乳动物的非凡能力而闻名。它的身体适应性,包括异常大的爪子和宽而短的翅膀,特别适合在茂密、杂乱的环境中活动。生物学家们已经记录到这些角雕成功伏击并捕获体重与其自身相当的猎物,证实了长期以来关于它们捕猎能力的民间传说。