Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle ( What is ? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .
平均场贝叶斯神经网络宽度鲁棒可学习性研究公开
近日，一篇题为《平均场贝叶斯神经网络中的宽度鲁棒可学习性》的学术论文在预印本平台arXiv上提交。该论文由Dmitry Vaintrob和Kaarel Hanni共同撰写，于2026年7月7日发布。研究聚焦于平均场贝叶斯神经网络中网络宽度对模型可学习性的鲁棒性影响，通过理论分析探讨了宽度参数如何影响模型的泛化能力与训练稳定性。该工作旨在深化对贝叶斯神经网络理论的理解，为设计更可靠的深度概率模型提供新视角。目前论文以预印本形式公开，提供PDF和HTML版本全文访问。 #arXiv #论文 #贝叶斯神经网络 #平均场 #宽度鲁棒 #可学习性 #机器学习 #深度学习 #AI #理论研究
近日，一篇题为《平均场贝叶斯神经网络中的宽度鲁棒可学习性》的学术论文在预印本平台arXiv上提交。该论文由Dmitry Vaintrob和Kaarel Hanni共同撰写，于2026年7月7日发布。研究聚焦于平均场贝叶斯神经网络中网络宽度对模型可学习性的鲁棒性影响，通过理论分析探讨了宽度参数如何影响模型的泛化能力与训练稳定性。该工作旨在深化对贝叶斯神经网络理论的理解，为设计更可靠的深度概率模型提供新视角。目前论文以预印本形式公开，提供PDF和HTML版本全文访问。 #arXiv #论文 #贝叶斯神经网络 #平均场 #宽度鲁棒 #可学习性 #机器学习 #深度学习 #AI #理论研究
工信部警示Claude Code安全后门，阿里已全面禁用
工业和信息化部网络安全威胁和漏洞信息共享平台监测发现，美国Anthropic公司开发的AI编程工具Claude Code（版本2.1.91至2.1.196）存在严重安全后门隐患。该工具内置监控机制，未经用户同意便向远程服务器回传地域及身份标识等敏感信息。工信部建议相关单位立即排查，将受影响版本卸载或升级，并加强开发工具的外联权限管控与流量监测。此次事件并非孤立，阿里巴巴经综合评估后将Claude Code列入高风险软件名单，自7月10日起全面禁止内部员工在办公环境使用，转而推荐Qoder作为替代方案。头部企业的“一刀切”禁用策略凸显了AI供应链安全的紧迫性。监管层面正加速完善机制，国家金融监督管理总局已要求金融机构建立对AI模型及技术工具的供应链安全合规管理。Claude Code在推动软件开发向自主Agent范式转移的同时暴露了隐私保护问题，该事件强化了AI发展与安全并重的产业逻辑，为网络安全与国产可控AI工具带来了新的需求。 #工信部 #ClaudeCode #AI安全 #数据隐私 #供应链安全 #阿里巴巴 #网络安全 #国产替代 #AI治理
工业和信息化部网络安全威胁和漏洞信息共享平台监测发现，美国Anthropic公司开发的AI编程工具Claude Code（版本2.1.91至2.1.196）存在严重安全后门隐患。该工具内置监控机制，未经用户同意便向远程服务器回传地域及身份标识等敏感信息。工信部建议相关单位立即排查，将受影响版本卸载或升级，并加强开发工具的外联权限管控与流量监测。此次事件并非孤立，阿里巴巴经综合评估后将Claude Code列入高风险软件名单，自7月10日起全面禁止内部员工在办公环境使用，转而推荐Qoder作为替代方案。头部企业的“一刀切”禁用策略凸显了AI供应链安全的紧迫性。监管层面正加速完善机制，国家金融监督管理总局已要求金融机构建立对AI模型及技术工具的供应链安全合规管理。Claude Code在推动软件开发向自主Agent范式转移的同时暴露了隐私保护问题，该事件强化了AI发展与安全并重的产业逻辑，为网络安全与国产可控AI工具带来了新的需求。 #工信部 #ClaudeCode #AI安全 #数据隐私 #供应链安全 #阿里巴巴 #网络安全 #国产替代 #AI治理
亚马逊云科技发布《企业生产级智能体开发部署指南》 以评估驱动Agent部署新范式
亚马逊云科技在2026中国峰会上发布《企业生产级智能体开发部署指南》。当前Agentic AI迎来爆发拐点，但企业将智能体从原型推向生产面临巨大挑战，传统评估方法因大模型概率性输出而失效，导致大量项目停滞或取消。指南提出以评估驱动的开发方法论，涵盖定标准、开发、评估、灰度上线等六个步骤，并覆盖八类评估维度及自动化评估框架，帮助企业构建从底层模型到业务结果的可观测、可持续改进闭环。该指南融合亚马逊内部实践，已在购物助手、客服、卖家等场景深度应用，并助力多家行业客户突破规模化部署瓶颈，实现真实业务价值。 #亚马逊云科技 #AgenticAI #智能体 #评估驱动 #企业部署 #AI #云计算
亚马逊云科技在2026中国峰会上发布《企业生产级智能体开发部署指南》。当前Agentic AI迎来爆发拐点，但企业将智能体从原型推向生产面临巨大挑战，传统评估方法因大模型概率性输出而失效，导致大量项目停滞或取消。指南提出以评估驱动的开发方法论，涵盖定标准、开发、评估、灰度上线等六个步骤，并覆盖八类评估维度及自动化评估框架，帮助企业构建从底层模型到业务结果的可观测、可持续改进闭环。该指南融合亚马逊内部实践，已在购物助手、客服、卖家等场景深度应用，并助力多家行业客户突破规模化部署瓶颈，实现真实业务价值。 #亚马逊云科技 #AgenticAI #智能体 #评估驱动 #企业部署 #AI #云计算
AI虚拟科研团队EmulatRx实现临床试验自主设计
来自Weill Cornell Medicine等机构的研究团队在《自然·通讯》发表研究，推出多智能体临床试验设计系统EmulatRx。该系统由五个AI代理分别扮演项目负责人、临床试验专家、医学信息学专家、临床医生和统计学家，模拟真实跨学科团队协作，完成原本需要数周甚至数月的试验方案设计。基于GPT-4o构建的智能体在标准化试验信息任务中达到95.4%的F1值，临床专家对生成建议的综合评分达4.88分（满分5分）。完成一次完整临床试验设计的中位运行时间仅5.75分钟，而同等规模人工流程通常需数天至数周。研究显示，Agentic AI已从单纯阅读知识转向组织与协调知识，开始真正参与科研流程，未来实验室或将迎来持续协作的AI科研团队。 #AI #临床试验 #AgenticAI #科研 #大语言模型 #NatureCommunications #数字医疗 #人工智能
来自Weill Cornell Medicine等机构的研究团队在《自然·通讯》发表研究，推出多智能体临床试验设计系统EmulatRx。该系统由五个AI代理分别扮演项目负责人、临床试验专家、医学信息学专家、临床医生和统计学家，模拟真实跨学科团队协作，完成原本需要数周甚至数月的试验方案设计。基于GPT-4o构建的智能体在标准化试验信息任务中达到95.4%的F1值，临床专家对生成建议的综合评分达4.88分（满分5分）。完成一次完整临床试验设计的中位运行时间仅5.75分钟，而同等规模人工流程通常需数天至数周。研究显示，Agentic AI已从单纯阅读知识转向组织与协调知识，开始真正参与科研流程，未来实验室或将迎来持续协作的AI科研团队。 #AI #临床试验 #AgenticAI #科研 #大语言模型 #NatureCommunications #数字医疗 #人工智能
港科大提出COMA黑盒攻击框架，揭示提示词压缩成LLM Agent新攻击面
香港科技大学一项最新研究揭示，大型语言模型Agent中用于节省成本的提示词压缩模块，可能成为新型安全攻击面。攻击者通过在不可信输入中添加微小扰动，可诱导压缩器丢弃系统提示词中的关键安全约束或任务证据，使后端模型执行恶意操作。团队提出首个基于迁移的黑盒攻击框架COMA，在未知压缩器参数下实现高效攻击。在六种压缩器、三项任务上，平均攻击成功率达0.71，而现有非压缩感知攻击仅为0.21。真实案例显示，该攻击可突破VSCode Cline安全限制读取敏感文件，或误导LangChain Agent选错工具。研究推荐采用隔离压缩，将可信与不可信上下文分开压缩，可防御96%的系统提示词破坏攻击。 #提示词压缩 #大模型 #AI Agent #黑盒攻击 #COMA #港科大 #AI安全 #攻击面 #ASE2026
香港科技大学一项最新研究揭示，大型语言模型Agent中用于节省成本的提示词压缩模块，可能成为新型安全攻击面。攻击者通过在不可信输入中添加微小扰动，可诱导压缩器丢弃系统提示词中的关键安全约束或任务证据，使后端模型执行恶意操作。团队提出首个基于迁移的黑盒攻击框架COMA，在未知压缩器参数下实现高效攻击。在六种压缩器、三项任务上，平均攻击成功率达0.71，而现有非压缩感知攻击仅为0.21。真实案例显示，该攻击可突破VSCode Cline安全限制读取敏感文件，或误导LangChain Agent选错工具。研究推荐采用隔离压缩，将可信与不可信上下文分开压缩，可防御96%的系统提示词破坏攻击。 #提示词压缩 #大模型 #AI Agent #黑盒攻击 #COMA #港科大 #AI安全 #攻击面 #ASE2026
功率校准LLM水印方法提出，超越启发式调优
近日，一篇题为“Beyond Heuristic Tuning: Power-Calibrated LLM Watermarking”的论文在arXiv平台提交。该论文由Xiaopu Wang等学者完成，针对大语言模型水印技术中存在的高度依赖启发式调优问题，提出了一种功率校准的新框架。通过显式校准水印信号的功率分布，该方法旨在提升水印的检测鲁棒性与稳定性，从而减少手动调参带来的不确定性和性能波动。这一方向对于增强AI生成文本的可追溯性和安全性具有重要意义，为LLM水印在实际部署中的可靠性提供了理论支持。 #LLM #水印 #大语言模型 #AI安全 #论文 #arXiv #深度学习 #生成式AI #学术研究
近日，一篇题为“Beyond Heuristic Tuning: Power-Calibrated LLM Watermarking”的论文在arXiv平台提交。该论文由Xiaopu Wang等学者完成，针对大语言模型水印技术中存在的高度依赖启发式调优问题，提出了一种功率校准的新框架。通过显式校准水印信号的功率分布，该方法旨在提升水印的检测鲁棒性与稳定性，从而减少手动调参带来的不确定性和性能波动。这一方向对于增强AI生成文本的可追溯性和安全性具有重要意义，为LLM水印在实际部署中的可靠性提供了理论支持。 #LLM #水印 #大语言模型 #AI安全 #论文 #arXiv #深度学习 #生成式AI #学术研究
保留还是适应？泛化持续学习
一篇题为《To Retain or to Adapt? Generalizing Continual Learning》的论文于2026年7月6日提交至arXiv预印本平台。该论文由Giulia Lanzillotta等四位作者共同完成，聚焦持续学习领域的核心问题：在连续学习新任务时，如何平衡保留已有知识与适应新信息，以避免灾难性遗忘。论文标题以设问方式揭示了这一根本性权衡，并提出一种泛化持续学习的框架，旨在统一并改进现有方法。该研究为开发更稳健、可持续学习的人工智能系统提供了理论支撑，对推动机器学习在动态环境中的适应性发展具有参考价值。 #arXiv #持续学习 #机器学习 #人工智能 #论文 #灾难性遗忘
一篇题为《To Retain or to Adapt? Generalizing Continual Learning》的论文于2026年7月6日提交至arXiv预印本平台。该论文由Giulia Lanzillotta等四位作者共同完成，聚焦持续学习领域的核心问题：在连续学习新任务时，如何平衡保留已有知识与适应新信息，以避免灾难性遗忘。论文标题以设问方式揭示了这一根本性权衡，并提出一种泛化持续学习的框架，旨在统一并改进现有方法。该研究为开发更稳健、可持续学习的人工智能系统提供了理论支撑，对推动机器学习在动态环境中的适应性发展具有参考价值。 #arXiv #持续学习 #机器学习 #人工智能 #论文 #灾难性遗忘