Large Language Model (LLM)
PulseAugur coverage of Large Language Model (LLM) — every cluster mentioning Large Language Model (LLM) across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
AI代理以95%的成功率自动化物联网漏洞利用
研究人员开发了VEXAIoT，一个自主多代理框架，旨在发现和利用物联网（IoT）设备中的漏洞。该系统利用大型语言模型（LLM）代理和进攻性安全工具来自动化侦察、攻击规划和执行。在IoTGoat和Metasploitable等受控环境中进行评估，VEXAIoT在映射到OWASP物联网漏洞的各种攻击场景中表现出高达95%的成功率，大多数攻击在两分钟内完成。
-
新方法从科学论文中提取问题句和方法句
研究人员开发了一种从科学论文中提取问题句和方法句的新方法，以解决小数据集的局限性。他们的方法包括使用公式化表达（FE）脱敏来增强数据，以及使用增强上下文Transformer来提高句子重要性测量。实验表明，他们的方法优于基线模型，取得了更高的宏F1分数，而大型语言模型上下文学习方法被证明不适用于此特定任务。
-
新的Brain-Adapter框架利用VLM和LLM增强3D CT扫描诊断
研究人员开发了Brain-Adapter，一个新颖的双流多实例学习（MIL）框架，用于3D脑部CT扫描的自动诊断。该框架通过引入一个使用诊断句子作为语义查询的文本条件注意力机制，有效地将预训练的2D视觉语言模型（VLM）的能力转移到3D体积数据上。一个并行的视觉MIL流捕获全局扫描特征，两个流都由通过大型语言模型（LLM）提取的标签进行监督。该系统包含一个不确定性感知细化模块来校准和融合预测，通过减少对密集手动注释的需求，显著优于现有…
-
LLM 自动化算子集成以解决调度问题
研究人员开发了一种新方法来增强迭代贪婪（IG）算法，以解决复杂的置换流水车间调度问题（PFSP）。这种新方法 IG-DOE 利用破坏算子集成（DOE）来增强探索并防止搜索停滞。一项关键创新是 SCOE 框架，该框架采用大型语言模型（LLM）自动构建此 DOE，从而减少了手动设计算子的需求。在具有挑战性的基准和真实世界数据上的实验表明，LLM 演化的 DOE 能有效地泛化到未见过的问题实例，并且优于现有的最先进算法。
-
QCFuse 通过新颖的缓存融合技术加速RAG服务
研究人员开发了QCFuse，一种优化检索增强生成（RAG）服务效率的新颖方法。该技术通过智能重用预计算的KV缓存来解决LLM处理检索到的上下文的高成本问题。QCFuse采用一种压缩视图的查询感知选择器，该选择器将用户查询状态条件化在紧凑的每块锚点上，并识别重计算令牌，而无需进行全层检查，从而达到完整的预填充级别质量。
-
LLM驱动的ToolMerge改进视频关键帧检索
研究人员开发了一种名为ToolMerge的新方法，用于从长视频中检索关键帧，这对于问答任务特别有用。该方法利用大型语言模型（LLM）将复杂查询分解为较小的工具调用，然后合并结果。该方法在一个名为Molmo-2 Moments (M2M)的新基准上进行了评估，在字幕检索方面比现有技术提高了5%。
-
新框架支持对复杂BIM数据进行自然语言查询
研究人员开发了IfcLLM，一个旨在通过自然语言查询使Industry Foundation Classes (IFC) 数据更易于访问的新型框架。该系统将IFC模型转换为关系和图表示，然后由具有迭代推理能力的LLM进行处理以理解用户请求。该框架使用开源GPT OSS 120B模型实现，在测试中表现出高准确性，为更直观地与复杂BIM数据交互指明了方向。