Mantis
PulseAugur coverage of Mantis — every cluster mentioning Mantis across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
AI安全代理对比：Claude、Codex、Mantis、Cloudflare · 跟踪到2个来源
四家主要科技公司——Anthropic、OpenAI、Cloudflare和Google——发布了旨在识别源代码中安全漏洞的AI代理。这些代理采用一种共同的方法：首先，一个代理检测到潜在的bug，然后另一个代理尝试证伪该发现，只有经验证的漏洞才会被移交进行修补。关键区别在于它们的部署环境、可访问性和验证过程的严谨性。
-
新的MANTIS框架通过自适应训练增强虚假新闻检测能力
研究人员开发了MANTIS，一个旨在提高虚假新闻检测系统鲁棒性的新框架。该框架利用实例自适应对抗性训练，为每篇新闻文章动态适应最差情况，解决了现有方法常常依赖肤浅写作线索或单一风格文本修改的局限性。创建了新的基准数据集MANTIS-Bench，以促进在风格、情感和传播框架等各种重写轴上对这些系统的评估。实验表明，MANTIS显著降低了攻击成功率，并且优于以前的单轴防御。
-
新的FusionAudit框架揭示了原生多模态模型的隐藏漏洞
研究人员推出FusionAudit，一个用于评估原生多模态模型鲁棒性的新框架。原生多模态模型通过更深入地整合视觉和文本处理，区别于旧的视觉-语言模型。该框架使用路径条件风险评估来识别传统像素攻击所忽略的漏洞。FusionAudit的诊断驱动攻击MANTIS和Nat-Evid揭示了原生VLM的特定弱点，例如在不处理的情况下关注渲染文本，并突显了现有攻击对这些新架构的排名不稳定性。
-
AI安全扫描需要证据，而非代理
Google的Mantis系统凸显了AI安全扫描中的一个关键问题：区分识别潜在漏洞与证明其存在。当前的AI安全工具常常产生大量未经证实的警报，而简单地添加一个LLM可能会加剧这个问题，产生更详尽但仍然不正确的干扰。真正的价值在于通过代码库上下文、威胁模型和基于证据的复现步骤等基础机制来构建AI工作流，而不是将AI视为一个黑匣子。
-
LeNEPA：新的时间序列自监督学习方法减少对数据增强的依赖
研究人员推出了一种新颖的时间序列数据自监督学习方法LeNEPA，该方法不需要数据增强。LeNEPA利用因果骨干网络和下一个潜在标记预测目标，采用基于SIGReg的各向同性正则化以及用于损失计算的轻量级投影空间。在ECG数据和合成诊断语料库上的实验表明，LeNEPA能够更快地获得表示，并且即使在跨不同数据集重用其方法而不进行调整的情况下，也能保持有用的性能增益，在某些场景下优于类似的固定JEPA方法。
-
Mantis：轻量级时间序列分类基础模型发布
研究人员推出 Mantis，这是一款专为时间序列分类设计的新型轻量级基础模型。该基于 Transformer 的模型利用合成数据上的自监督对比学习，并采用新颖的 token 生成器以有效利用 Transformer。Mantis 还采用增强的测试时方法，结合中间层表示和自集成技术，在各种数据集上实现了最先进的性能。
-
Mantis框架为3D点云模型提供高效的Mamba原生调优
研究人员推出Mantis，一个新颖的参数高效微调（PEFT）框架，专门为基于Mamba的3D点云基础模型设计。现有的PEFT方法在处理Mamba的状态空间动力学时遇到困难，导致性能下降。Mantis通过引入状态感知适配器（SAA）进行状态级适应，以及双序列化一致性蒸馏（DSCD）来稳定不同点云序列化下的训练，从而解决了这个问题。该框架仅使用约5%的可训练参数就取得了有竞争力的结果。