NetworkX
PulseAugur coverage of NetworkX — every cluster mentioning NetworkX across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新基准测试 AI 的组合图推理能力，揭示其记忆问题
研究人员推出了 ClosureBench，这是一个旨在评估 AI 模型组合图推理能力的新基准。与传统基准不同，ClosureBench 按需生成任务，并提供程序验证的答案，从而防止数据污染并直接衡量记忆能力。评估显示，随着图大小和查询深度的增加，模型的准确性会下降，并且模型即使在给定结构化图输入的情况下，在处理组合查询时也会遇到困难。值得注意的是，一个经过微调以生成可执行程序的较小模型，以更低的成本实现了与前沿模型相当的性能。
-
新的LLM推理框架追踪论证易损性，超越置信度分数
一个新颖的LLM推理框架提出超越简单的置信度分数，实现对论证易损性更细致的理解。该方法由Alhosseini撰写论文并由作者实现，将不确定性分为开放性问题、证据缺口和未被反驳的异议等类型。通过计算论证易损性指数（AFI）以及传统的强度，该系统可以识别LLM推理中特定的脆弱点。这使得动态路由成为可能，使应用程序能够导航或标记由于特定、类型化的不确定性而可能不可靠的结论区域，正如在涉及伊朗民法的法律推理场景中所演示的那样。
-
大型语言模型持续违反约束，需要外部“挽具”来保证可靠性
一项最新分析强调了当前大型语言模型的一个关键故障模式：它们经常违反明确的约束，即使它们同意遵守。这一问题在包括 Claude Opus 4.8、GPT 和 Gemini 在内的 14 个模型中均有观察到，其根源在于占主导地位的训练模式覆盖了用户定义的规则。提出的解决方案不是更强大的模型，而是通过先决条件、基于图的谱系规划和确定性验证门来外部强制执行约束的“挽具”系统。这种方法对于代理式AI的成功部署至关重要，因为Gartner预测，由…
-
VLMs 实现开放词汇视频场景图生成
一种新的视频场景图生成（SGG）方法利用视觉语言模型（VLMs）来创建视频内容的结构化、机器可读的描述。与依赖固定词汇的传统 SGG 方法不同，这种方法使用 Qwen2.5-VL 等开放词汇 VLMs 直接从视觉和语言线索生成描述。该过程包括从视频中选择关键帧，然后使用 VLM 识别对象、人物及其关系，形成一个可编程分析的图。
-
Graphify 和 NetworkX 离线可视化 Python 代码库
一项新教程演示了如何使用 Graphify 和 NetworkX 来创建 Python 代码库的知识图谱。此过程允许开发人员可视化其代码的结构，包括模块、类和函数及其关系。该工作流程完全离线运行，利用 tree-sitter 进行代码分析，无需 API 密钥或外部 LLM 后端。
-
Morph 使用 LLM 进行更安全、基于计划的代码重构
Morph 是一款新工具，它使用 LLM 通过生成结构化的操作计划而非直接的代码更改来执行代码重构。这种方法提高了可审查性和安全性，因为审查者可以快速理解预期的更改，并且系统在执行前会根据代码库的依赖图验证操作。Morph 包括在转换后测试失败时的自动回滚功能，确保代码库保持稳定状态。
-
教程详述使用图微隔离进行零信任网络模拟
一项新教程详细介绍了如何构建一个动态的零信任网络模拟，该模拟结合了基于图的微隔离和自适应策略引擎。该方法将网络段建模为有向图，要求对所有请求进行持续验证。该系统整合了设备状态、多因素身份验证和实时风险信号，以实时检测和阻止包括内部威胁在内的恶意活动。
-
Gemma 4 和 Python 使用图分析检测庞氏骗局
一位开发者演示了如何结合使用 Google 的 Gemma 4 模型和 Python 的 NetworkX 库来检测庞氏骗局。该方法涉及将金融交易网络建模为图，并分析中心性指标以识别可疑模式。然后，Gemma 4 用于根据这些网络特征提供 AI 驱动的风险评估。