patch
PulseAugur coverage of patch — every cluster mentioning patch across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的HTTP QUERY方法规范化AI代理请求
一种名为QUERY的新HTTP方法已作为RFC 10008进行标准化，旨在解决AI代理的局限性。与不安全且不可幂等的POST不同，QUERY可以在携带请求体的情况下保持安全、幂等和可缓存，类似于GET。这种新方法旨在解决复杂搜索查询超出URL长度限制的问题，迫使使用POST并导致缓存和重试出现问题。Cloudflare和Akamai等主要内容分发网络参与了其开发，预示着在边缘端可能早期采用。
-
新的PATCH系统增强了机器人操作的稳定性
研究人员开发了PATCH，一个用于在真实环境中监控机器人操作任务的新系统。这个动作块条件潜在块创新监控器旨在通过检测和响应意外场景动态来提高基于学习的操作策略的鲁棒性。PATCH在活动动作块内预测潜在块的演变，并累积残差以生成局部干预信号，当局部创新消退时，允许执行暂停和策略恢复。在真实机器人数据上的实验表明，与现有的运行时监控器相比，PATCH提供了更稳定且与上下文相关的触发器。
-
新的PATCH防御机制可检测在线游戏中的aimbot作弊者
研究人员开发了一种名为PATCH的新型防御策略，用于打击多人在线游戏中的视觉aimbot作弊。该方法使用对抗性补丁，充当游戏内的蜜罐标记，以检测或干扰aimbot软件。通过故意触发作弊者的计算机视觉模型，PATCH可以实现高检测率并展示实际应用能力，甚至对各种aimbot配置表现出跨模型可迁移性。
-
AI 加速软件漏洞发现和补丁发布
人工智能越来越多地被用于发现软件漏洞，导致补丁激增。虽然人工智能驱动的工具可以更有效地识别错误，但这也意味着更多的安全漏洞被发现，需要供应商发布更多的修复程序。人工智能在促成攻击和发现漏洞方面的双重作用给网络安全带来了复杂的挑战。
-
PATCH框架为LLM实现可学习的混合稀疏性
研究人员开发了PATCH，一个新颖的混合稀疏性框架，旨在降低大型语言模型（LLM）相关的内存和计算成本。该方法通过将权重矩阵划分为块（tiles）来实现0%到50%之间的连续稀疏比率。每个块可以根据可学习的掩码选择机制，被设置为密集（dense）或2:4稀疏。PATCH提供了对准确性和加速之间权衡的细粒度控制，实现了跨层的非均匀稀疏性，并在准确性损失最小的情况下实现了实际的速度提升。