Stride
PulseAugur coverage of Stride — every cluster mentioning Stride across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的STRIDE模型通过语义前瞻性改进视频续写
研究人员推出了一种新颖的大型视觉模型架构STRIDE（STructural RegIsters for Decoupled Extrapolation），旨在提高自回归视频续写的连贯性，尤其是在驾驶场景中。该模型通过将视频生成解耦为语义和RGB令牌预测来解决“生成退化”问题。STRIDE使用语义令牌作为“结构化寄存器”来维持长期上下文和场景动态，从而增强生成视频的时间一致性。
-
新的STRIDE框架增强了胶质母细胞瘤MRI疾病演变分析
研究人员开发了STRIDE，一个旨在改进纵向胶质母细胞瘤MRI扫描中疾病演变评估的新框架。该方法结合了使用SoftGate的病灶先验引导空间表征和自适应窗口分层Transformer (AWHT)，以及一个时间条件化潜在转移模型。STRIDE有效地结合了实际的扫描间隔和观察到的随访状态，以区分稳定疾病、假性进展和真实进展。在Burdenko数据集上评估，STRIDE取得了0.816的宏观ROC-AUC和0.796的宏观F1分数，有望实…
-
新研究推进用于LLM训练的on-policy distillation · 追踪6个来源
研究人员正在开发用于on-policy distillation (OPD) 的先进技术，这是一种用于改进大型语言模型的方法。$\\gamma$OPD和STRIDE等新方法旨在通过改进时间信用分配方式以及何时停止或重启训练来提高优化稳定性和效率。其他研究探索了无数据蒸馏，即模型生成自己的训练问题，以及SCOPE-OPSD等利用特权子空间改进自蒸馏的方法，这些方法在数学推理和代码生成等领域显示出前景。
-
生成式AI工具AegisShield实现网络威胁建模民主化
研究人员开发了AegisShield，这是一种生成式AI工具，旨在自动化和简化网络威胁建模，特别是对于资源有限的组织。该工具集成了STRIDE框架和MITRE ATT&CK技术，并从公共数据库中提取实时威胁情报。评估表明，AegisShield显著降低了复杂性，产生的威胁与专家生成的威胁相当，并能准确地将威胁映射到MITRE ATT&CK技术，从而实现更早的风险评估并促进安全设计实践。
-
Garry Tan 的 gstack 增强了 Claude Code 以适应工程工作流
由 Garry Tan 开发的 Claude Code 的 gstack 配置是管理工程工作流的备受推崇的工具，在 GitHub 上拥有超过 122,000 颗星。它有效地模拟了一个虚拟工程团队，为规划、审查、质量保证和发布流程定义了角色。虽然 gstack 在这些方面表现出色，但它故意省略了以业务为中心的功能，例如增长、分发和收入自动化，而专注于产品开发的纯技术方面。
-
新研究对人工智能驱动的事实核查系统中的风险进行分类
一篇新发表在arXiv上的论文概述了与自动化事实核查系统相关的风险分类法，特别是那些采用人工智能和大型语言模型的系统。该研究确定了32种具体风险，分为风险因素、危险情况和危害，以解决错误判断的可能性以及随后传播错误信息或诽谤的可能性。该研究还对一个名为DEFAME的系统进行了风险评估，展示了所提出的分类法如何揭示传统IT安全方法（如STRIDE）未识别出的风险。
-
Hivebook 推出公共代理知识缓存以解决 AI 错误
一个名为 Hivebook 的新平台已被开发出来，用于创建公共的、代理可读的知识缓存，以解决 AI 代理反复遇到并忘记常见问题（如 CORS 错误或速率限制）的解决方案的问题。该系统允许代理通过 API 进行读写，条目由其他代理审核，旨在构建一个共享的、交叉引用的知识库。该平台的结构和相互连接是有机形成的，形成了一个密集的信息图谱，包括提示注入攻击和安全模型等主题，开发者押注其有潜力成为 AI 代理的基本基础设施。
-
新的STRIDE框架通过可验证奖励增强LLM推理能力
研究人员推出STRIDE，一个用于可验证奖励强化学习（RLVR）的新颖框架，旨在增强大型语言模型的推理能力。与依赖最终答案正确性的先前方法不同，STRIDE采用细粒度方法，从可验证结果中获得监督。它对比成功和失败的轨迹，以估计每个n-gram战略模式的结果判别性偏好，从而在RL优化过程中进行更精确的信用分配。实验表明，STRIDE在各种模型和任务（包括视觉语言模型和基于代理的系统）中始终能提高推理性能。
-
STRIDE-GPT 工具对 AI 应用威胁进行建模，记录上下文，限制令牌
STRIDE-GPT 是一款开源工具，旨在通过分析架构描述来为 AI 应用生成 STRIDE 威胁模型。它强调将 LLM 特定的资产，如系统提示、RAG 文档和代理推理链，作为威胁建模过程中的一等组件来处理。该工具需要详细的架构描述，包括组件、数据流和信任边界，才能生成有效的安全模型。此外，它还强调了全面日志记录对于事后重建的重要性，并提出了分层速率限制策略以防止令牌耗尽攻击。
-
LLM攻击基准显示安全覆盖存在显著差距
研究人员开发了一个新的框架来审计LLM攻击基准的覆盖范围，揭示了当前评估中存在的显著差距。他们对六个公开基准的分析显示，这些基准总共覆盖了不到25%已识别的威胁面，而服务中断和模型内部等整个类别缺乏标准化测试。该研究还强调了攻击命名广泛碎片化的问题，许多不同的术语用于同一种攻击类型，并且研究高度集中在安全与对齐绕过方面。
-
领域适应性LLM在5G威胁建模方面表现不一
研究人员使用STRIDE方法评估了用于5G安全威胁建模的领域适应性语言模型。他们的实证研究涉及8个语言模型的52种配置，发现领域适应性并未像通用模型那样持续提高性能。解码策略和模型规模显示出显著影响，但更大的模型并不能保证可靠的威胁建模，这表明需要更好的特定任务推理和安全基础。
-
LLM赋能的机器人面临从网络到物理驱动的整体威胁建模
研究人员为集成大型语言模型（LLM）的机器人系统开发了一个新的威胁建模框架。该框架分析了传统网络威胁、对抗性攻击和对话威胁如何相互作用并传播到整个系统的架构中。该研究确定了三种不同的攻击链，它们可以通过利用语义验证、跨模态翻译或无中介工具使用的漏洞来导致不安全的物理行为。