Metis
PulseAugur coverage of Metis — every cluster mentioning Metis across labs, papers, and developer communities, ranked by signal.
- 2026-05-11 research_milestone A new framework called Metis was introduced, demonstrating a high success rate in jailbreaking LLMs. 来源
2 天有情绪数据
-
MemT-1.0 通过原生内存设计将 LLM KV 缓存存储减少 66 倍
一篇新论文《MemT-1.0: Towards Memory-Native Evolution》介绍了一种处理大型语言模型长期记忆的新方法。这种名为 MemT-1.0 的方法旨在通过使内存成为模型计算的内在部分，来降低与传统 KV 缓存相关的显著内存和存储成本。它利用门控 DeltaNet-2 层进行稳定、固定大小的内存更新，并采用混合存储机制来扩展内存容量，从而大幅减少存储并提高推理速度。
-
MemT-1.0架构将内存原生集成到基础模型中
研究人员推出了一种新颖的MemT-1.0架构，旨在使内存成为基础模型的内在组成部分，从而实现信息的持续积累和利用。这种内存原生方法基于Metis构建，并结合了带有存储混合（Mixture-of-Storage）的Gated DeltaNet-2，旨在提高长上下文效率和智能体任务性能。MemT-1.0系列（包括Nano和Flash变体）在保持通用能力和提高智能体任务成功率的同时，与传统方法相比，在速度和存储方面都有显著提升。
-
新的基础模型 METIS 推动零样本脑信号分析
研究人员开发了 METIS，这是一种新颖的多模态基础模型，用于分析脑信号。该模型采用了语言-信号对齐框架，并在包含来自 11,000 多名受试者的 70,000 多小时录音的广泛数据集上进行了预训练。在 12 个数据集的零样本评估中，METIS 与现有的通用模型相比，平均准确率有了显著提高。值得注意的是，在没有任何微调的情况下，METIS 达到了与特定任务的监督模型相当或更优的性能水平，展示了其卓越的数据效率和泛化能力。
-
Proba-3飞船制造人造日食，揭示更快的太阳风
欧洲航天局的Proba-3任务通过精确编队飞行两艘飞船，成功制造了长达五小时的人造日食。这项创新技术使得对太阳日冕（一个先前难以研究的区域）进行前所未有的、延长的观测成为可能。这些早期人造日食的发现表明，慢速太阳风在靠近太阳时比预期速度快得多，速度是预测的三到四倍。
-
新研究探索AI模型合并优化的先进技术 · 跟踪3个来源
研究人员正在开发新的模型合并优化方法，这是一种将多个专业AI模型的能力结合成一个更强大的模型的技术。一种方法侧重于创建代理基准来有效地调整合并超参数，从而降低与大型语言模型相关的计算成本。另一种方法PACT解决了现有基于任务向量的合并的局限性，通过保留预训练权重中嵌入的关键知识，从而在各种基准测试中提高性能。第三种技术METIS通过采用迭代的、感知损失的多样本合并协议来解决事后合并中的信息擦除问题，以增强多任务性能。
-
新的AI模型应对自动驾驶的远期规划问题
研究人员正在开发先进的自动驾驶AI模型，重点是改进轨迹规划和远期决策。包括ParkingTransformer、TerraTransfer、AlignDrive、Metis和GraphWorld在内的几个新框架，利用了LLM、自我博弈和基于图的世界建模等技术，以增强复杂驾驶场景下的泛化性、效率和安全性。这些方法旨在通过更好地整合感知、预测和规划，以及从多样化数据中学习而不完全依赖专家演示，来克服现有方法的局限性。
-
公司利用 AI 进行从社交媒体到国防的各种应用
多家公司正在利用 AI 进行各种应用，包括 naoo 的 METIS 系统使信息流的展示次数翻倍，Sound Group 的 AI 转型为收入增长贡献了 53%。Rail Vision 正在利用 AI 进行铁路安全碰撞规避，而 SPARC AI 正在为乌克兰国防部署空间智能。VectorCertain 的 SecureAgent 在测试中已证明对 AI 网络攻击的有效性为 100%。
-
Metis框架学会越狱LLM，成功率达89.2%
研究人员开发了Metis，一个将LLM越狱重新表述为推理时策略优化的新框架。该方法使用自演化的元认知循环来诊断防御逻辑并改进其攻击策略，提供更具可解释性的推理轨迹。Metis在10个模型上展示了89.2%的平均攻击成功率，显著优于传统方法在有弹性的前沿模型上的表现，并将平均令牌成本降低了8.2倍。