Query
PulseAugur coverage of Query — every cluster mentioning Query across labs, papers, and developer communities, ranked by signal.
- 2026-07-12 product_launch The standardization of the new HTTP QUERY method, RFC 10008, which allows for body-carrying requests that are safe, idempotent, and cacheable. 来源
3 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。
-
OpenAI 推出人工智能安全倡议，以应对 LLM 代理缺陷和数据隐私问题
OpenAI 推出了 DayBreak，一项专注于增强人工智能安全和保护模型免受网络威胁的倡议。与此同时，研究人员发现 LLM 代理存在一个名为“约束衰减”的关键缺陷，这会削弱其代码生成的可靠性。在澳大利亚，人们越来越担心科技公司在本地内容上训练模型可能引发一场人工智能危机，并呼吁政府采取行动。此外，还引入了一种新的 HTTP QUERY 方法，以提高开发人员的数据检索效率。
-
Transformer 解析：自注意力机制、并行处理和 LLM 架构
Transformer 是一种神经网络架构，它通过并行处理 token 而非像循环神经网络（RNN）那样顺序处理，从而彻底改变了 AI。这种由自注意力机制实现的并行处理，允许每个 token 直接与序列中的所有其他 token 进行比较。自注意力机制使用查询（Query）、键（Key）和值（Value）向量来确定每个 token 应给予其他 token 多少注意力，从而创建上下文感知的嵌入。这种方法通常通过多头注意力和位置编码得到增强…
-
超越注意力投影的线性：非线性查询的论证
研究人员正在探索 Transformer 注意力机制背后的基本原理，新论文分析了其梯度流结构和动态。一项研究将注意力解释为单位球面上的梯度流，识别影响多头设置中 token 聚类和稳定性的因素。另一篇论文研究了用于复杂性控制的关键训练窗口，确定 Transformer 何时优先考虑推理而非记忆。此外，研究还揭示了深度神经网络中几何连续性的起源，将其归因于残差连接和对称性破坏的非线性，并考察了“注意力汇聚”现象的结构原因。