美国上诉法院维持将Anthropic指定为供应链风险
HN ð361· 665 评论
-
-
微软通过Copilot重启放弃个人人工智能聊天机器人竞赛
HN99· 93 评论
-
在Mac上运行本地LLM：什么适合，什么是免费的，什么是矫枉过正的
HN10· 8 评论
-
斯诺登谈人工智能监控和言论自由[视频]
HN Ÿ 9 · 2 评论
-
SkillOpt：特工技能培训循环
HN6· 2 评论
-
使用LLM追踪炼金术知识并解码17世纪信件
HN ð48· 9 评论
-
LLM代理人可以轻松篡改自己的痕迹
作者：Jeremy Qin、David Schmotz、Derck Prinzhorn|同步监控、事件调查和合规性审计主要依赖于代理跟踪来重建发生的事情。这些分析假设LLM代理无法篡改其自己的执行痕迹。我们表明，Claude Code、Codex、Antigravity、Open Code和Grok Build等当地LLM代理未能执行这一边界。除Muse C
-
AD-WM：反事实模型预测控制的时间区分世界模型
作者：邱家斌，陈子轩，曹洪业|潜在世界模型通常被训练来预测事实转变，而模型预测控制（MPC）必须比较来自同一状态的替代动作。因此，模型可以实现较低的事实预测误差，但很难区分候选动作。我们介绍了AD-WM，一个反事实MPC的动作判别联合嵌入世界模型。AD-WM结合了残余潜在动力
-
排队强化学习中私人轨迹重建的时间梯度倒置
作者：Sudip Bhujel、Shang Hao、Huiquan Huang|具体化业务学习代理中的分布式学习通过在设备上保留原始传感器数据并仅向服务器传输策略梯度来提供一定程度的隐私。然而，时间结构可以放大这种泄露，超出单帧攻击。我们引入了对连续编码的时间重建攻击（TRACE），这是一种自回归的摊销时间梯度倒置攻击
-
RAID：来自演示的机器人抽象编程
作者：刘玉瑶、毛家源、David Hsu|编码代理在解决复杂的编程问题方面取得了巨大的成功。为了充分利用机器人系统的潜力，这项工作引入了演示机器人抽象编程（RAID），该程序在给定单个视觉人类演示的情况下自动生成、验证和改进机器人程序。代码细化的迭代代理循环需要几个关键成分
-
Rolling-WAM：具有滚动想象力的世界动作模型
作者：周英华、叶俊杰、赵一琪|世界动作模型（WAM）将动作生成与机器人操作的未来视觉预测相结合。然而，在每个重新规划周期完成联合视频动作去噪过程会导致大量延迟，延迟动作更新并限制闭环响应。我们提出了Rolling-WAM，这是一种在连续的重新规划周期中分配联合去噪的公式。我们m
-
JevOut：自然环境可以翻转决策模型
作者：徐子翔|Jev等专用决策模型将非结构化语言映射到有限选择上的概率分布，允许其输出直接路由请求、选择工具并触发操作。然而，现实世界的输入很少孤立地到达：它们带有背景细节和周围环境。我们发现，自然适合这种背景的简短添加仍然可以重新定向
-
SemGMA：具有不完整数据的潜在语义辅助鲁棒多模式情绪分析
作者：李文豪、吴志斌、肖冲|最近对多模式情绪分析（MAS）的研究重点是从具有不完整数据的语言、视觉和声学模式中学习以推断人类情绪。大多数研究通常通过重建模式特征或设计复杂的融合机制来弥补缺失的信息。然而，由于这些方法的存在，这些方法仍然存在伪生成和有噪引导的问题。
-
通用任务和运动规划问题的编码代理
作者：Matteo Merler、Bowen Li、Josh Roy|即使具有完全可观察性和以对象为中心的状态，任务和运动规划（TAMP）问题仍然很困难，因为离散决策与几何、运动学和动态约束紧密相关。广义TAMP通过利用跨问题实例的收件箱来减少新实例的规划工作来解决这一困难。然而，现有方法需要大量的TAMP-
-
信任还是不信任：言语中的检索增强事实核查
作者：Debajyoti Mazumder、Mamta、Abhirama Subramanyam Penamakuri|在线错误信息越来越多地以新闻片段、播客、采访、政治演讲和社交媒体视频等语音形式出现，这就需要能够直接通过语音验证主张的事实核查系统。我们引入VeriSpeak，这是一个用于研究大型音频语言模型（LALM）中基于语音的事实验证的探测基准。Ve
-
Show HN：Critic -与编写代码的代理一起审查代码
HN ð6· 1 评论
-
一百万个代理是一个分布式系统问题
HN Ÿ 27 · 9 评论