mist
PulseAugur coverage of mist — every cluster mentioning mist across labs, papers, and developer communities, ranked by signal.
- 2026-09-17 research_milestone Researchers released MiST, a suite of LLMs specifically trained for cybersecurity tasks, showing significant performance gains. 来源
4 天有情绪数据
-
新的MIST方法利用分子数据增强病理切片分析
研究人员开发了一种名为分子信息染色变换（MIST）的新方法，以改进病理切片的分析。MIST在多示例学习框架中充当投影层，在训练过程中利用空间转录组学数据创建虚拟分子染色。这些染色有助于重组H&E染色特征，捕捉仅靠形态学无法完全代表的分子状态。MIST在各种下游任务中显示出显著的改进，包括生存预测、组织亚型分类和生物标志物预测。
-
新的 K-CLUE 框架可在癌症图像中实现无标注 Ki67 细胞分型
一个名为 K-CLUE 的新框架已被开发出来，用于分析乳腺癌图像中的 Ki67 细胞分型，利用冻结的预训练视觉表示进行无标注分析。该方法对细胞核进行分割，对其进行编码，并使用 k-means 聚类区分 Ki67 阳性细胞和阴性细胞，在性能上可与 DeepLIIF 和 IHCScoreGAN 等现有方法相媲美。该框架的成功取决于对嵌入空间中方差结构的考虑，证明了预训练模型在生物医学图像分析中无需特定任务训练的潜力。
-
AI系统GEMS加速分子结构鉴定
研究人员开发了GEMS（Guided Editing of Molecular Structures，分子结构引导编辑），一个新颖的AI系统，旨在从质谱数据中鉴定小分子结构。GEMS利用一个名为MIST的预训练光谱到指纹模型和一个神经网络策略，通过学习到的键编辑来优化候选结构。这种方法显著加快了鉴定过程，在几分钟内就能达到比以往需要数小时的方法更高的准确性。该系统在NPLIB1和MassSpecGym等基准数据集上表现强劲，优于现有基线。
-
新的MIST Transformer模型可从组织学图像预测基因表达
研究人员开发了MIST（多上下文空间Transformer），用于从组织学图像预测空间基因表达。该模型通过整合局部和全切片空间上下文来增强标准Transformer，提高了预测准确性和在不同人类器官组织间的可迁移性。在HEST-1k数据集上，MIST与现有方法相比，在相关性和均方误差方面均显示出显著改进。
-
新的 MIST 测试揭示视觉语言模型易受无关图像影响
一项新研究引入了 MIST（误导性图像压力测试），用于评估视觉语言模型（VLM）。该测试使用 200 个句子，并配以匹配、误导性或无图像，以评估 VLM 在应仅依赖文本时是否会受到视觉上下文的影响。结果表明，无论是否匹配，图像都会显著改变 VLM 的判断，这表明当前的替代性测试可能无法准确反映模型性能，而更多地反映了评估设置。
-
新LLM套件MiST提升网络安全性能
研究人员开发了MiST（Mid-trained Security Transformer），一套专为网络安全任务设计的新LLM。这些模型有8B和32B参数规模，通过使用精选合成数据的新颖的中间训练方法进行调整。与Qwen基线模型相比，MiST在网络安全基准测试中的准确性显著提高，证明了其作为该领域专业工具的有效性。
-
新的MIST方法使用内部Token显著性压缩LLM推理痕迹
研究人员开发了一种名为MIST（Model-Internal Saliency for Token-level CoT compression）的新方法，以降低大型语言模型（LLM）思维链（CoT）推理的计算成本。MIST通过分析其对模型内部“思想流”的影响，来识别和修剪不太重要的推理Token。它根据“必要性”（移除Token的贡献后答案质量下降的程度）和“充分性”（仅提供该Token的贡献后答案质量提高的程度）来衡量Token的重…
-
新的基准 MIST 评估大型语言模型对外部信号的信任度
研究人员推出了 MIST，这是一个旨在评估语言模型在多大程度上能够选择性地信任外部信号的新基准。该基准在四种条件下呈现推理项目：干净、误导性、正确上下文和不相关上下文。一项新指标 SC2W 衡量了误导性信号导致正确答案错误的频率。提出的 SCOPE 方法使用直接偏好优化 (DPO) 来训练模型处理所有四种条件下的失败情况，显著降低了对误导性信息的敏感性，同时保持了在可信上下文中的准确性。
-
新基准揭示增强记忆的LLM放大谄媚行为
一项新的研究论文介绍MIST，一个旨在评估增强记忆大型语言模型（LLM）中谄媚行为的基准。研究发现，持久记忆系统虽然旨在提高有用性，但通过优先考虑用户认同而非事实准确性，显著放大了谄媚行为。研究人员提出了两种缓解技术，可在保持事实回忆的同时有效减少谄媚行为。
-
新AI方法使用监督训练进行互信息估计
研究人员开发了MIST，一种使用神经网络监督训练来估计互信息（MI）的新方法。该方法利用大型合成分布元数据集对网络进行端到端训练，其性能超越了传统基线。MIST还通过分位数回归结合了不确定性量化，并提供比现有神经网络方法更快的推理时间，使其成为一种灵活高效的MI估计工具。
-
新的MIST方法可检测微调深度神经网络中的木马
研究人员开发了一种名为MIST的新方法，用于检测在微调过程中嵌入深度神经网络（DNN）中的恶意木马。MIST分析模型内部表示的谱变化，以识别表明木马攻击的偏差。这种方法将木马检测视为一个回归问题，并且与现有方法相比，即使在事先不知道攻击细节的情况下，也表现出更高的准确性。
-
新数据集和方法应对多区域语音修复取证
研究人员开发了一种名为 MIST 的新方法和数据集，以应对检测和定位音频深度伪造中多个被篡改片段的挑战。现有方法难以处理部分语音篡改，即仅一小部分话语被更改。提出的 ISA 框架以粗粒度到细粒度的方式分析音频，识别所有被篡改的区域，而无需预先知道它们的数量。这种方法至关重要，因为当前的深度伪造检测器未能标记经过少量篡改内容的音频。
-
MIST基础模型通过新型分词器加速化学发现
研究人员开发了MIST，一类新的分子基础模型，旨在加速化学空间的发现和探索。这些模型在包含大量未标记数据集上使用名为Smirk的新型分词器进行训练，在超过400种结构-性质关系上表现出强大的性能。MIST已成功预测了气味特征，尽管这不是其训练的明确任务，并已应用于电解质筛选和有机金属立体化学等领域的实际问题。