Traces
PulseAugur coverage of Traces — every cluster mentioning Traces across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的TRACES框架为LLM推理实现成本效益的早期停止
研究人员推出TRACES，一个旨在为语言推理模型（LRM）标记推理步骤的新框架，以实现自适应且成本效益高的早期停止。该方法在推理过程中监控推理行为，识别在达到正确答案后发生的转变。通过分析特定的步骤类型，TRACES可以创建可解释的早期停止标准，在数学和基于知识的基准测试中实现显著的代币减少（20-50%），同时保持准确性。
-
新研究探索 LLM 高效可靠的推理 · 跟踪 9 个来源
多篇研究论文探讨了增强大型语言模型 (LLM) 推理效率和可靠性的方法。技术包括用于压缩推理痕迹的记忆增强、用于加速生成的自推测解码以及用于优化推理工作的自适应计算分配。此外，还在使用 LLM 裁判评估形式数学推理以及校准 LLM 生成推理的置信度方面进行了研究。其中一篇论文还研究了从专有模型中提取隐藏的思维链痕迹，凸显了潜在的安全风险。
-
新的SeerGuard框架增强了移动GUI代理的安全性
研究人员开发了SeerGuard，一个旨在降低与移动图形用户界面（GUI）代理相关的风险的新型安全框架。该框架通过执行前的指令筛选和评估拟议操作的风险来运行。SeerGuard利用统一的安全增强世界模型（SAWM），该模型集成了语义下一状态预测与安全风险评估，在各种移动GUI代理中表现出有效的泛化能力，同时显著提高了安全效用得分并降低了风险成本得分。
-
新方法将超图编码为字符串以进行同构测试
研究人员开发了 IsalHG，一种使用紧凑指令字母表将有限、连通的超图编码为字符串的新方法。该方法采用具有稀疏超图、循环双向链表和遍历指针的虚拟机来表示超图结构。贪婪算法生成字符串表示，并提出了一种推测的规范字符串作为完整的同构不变量，可能实现原生的超图同构测试。
-
新方法TraCeS利用稀疏约束标签提升强化学习安全性
研究人员开发了TraCeS（基于轨迹的约束估计以确保安全），这是一种新颖的方法，旨在提高强化学习（RL）中约束未明确定义或难以衡量的安全性。该方法学习从稀疏的、轨迹级别的标签（例如，整个rollout的批准或拒绝）中估计每时间步的违反信用。TraCeS将此学习到的信号集成到约束策略优化中，使其能够在没有已知成本函数或阈值的情况下运行，并与标准的连续控制算法兼容。实证结果表明，TraCeS在各种连续控制基准测试中提高了约束满足度和反馈效…