研究发现可利用稀疏性侧信道提取大模型服务中的令牌数据

一项最新研究揭示了针对采用稀疏性优化的 LLM 服务系统的侧信道攻击方法。论文指出，许多大模型服务为提升推理效率，会利用激活稀疏性或专家混合（MoE）等技术跳过部分计算，这类系统在生成不同令牌时会产生确定性的时序差异。攻击者可借此通过测量响应延迟等侧信道信息，推断并提取模型生成的敏感令牌内容，从而绕过现有安全机制。研究团队对该攻击进行了实测验证，并警告所有依赖稀疏性加速的托管推理服务均可能受影响。论文已以预印本形式发布于 arXiv，作者建议服务商采取随机化处理或时序混淆等缓解措施。 #AI安全 #大模型 #侧信道攻击 #稀疏化 #LLM #信息安全 #arXiv

美国限制中国光模块进口，马来西亚科技企业迎转单潮

随着人工智能热潮推动数据中心需求激增，美国拟限制进口中国制造的新型光收发器，促使全球供应链加速重组。马来西亚科技企业如益纳利美昌、NationGate控股和EG工业等，凭借承接客户订单转移或知识产权转移，有望从中受益。大众投行指出，光收发器是AI数据中心核心元件，正从400G向800G乃至1.6T高速规格演进。目前中国厂商仍占全球近三分之二出货量，但美国限制措施短期内或令美国超大规模云服务商面临供应压力，而非直接冲击中国厂商。大众投行维持科技行业“增持”评级。 #AI #光模块 #供应链重组 #马来西亚 #科技 #半导体 #数据中心 #贸易限制

谱蒸馏

该论文由Liane Galanti等四位作者撰写，于2026年8月5日提交至arXiv平台。论文题为“谱蒸馏：从非线性动力学到线性状态空间模型”，根据标题信息，研究聚焦于通过谱域蒸馏技术，将复杂的非线性动力学系统转化为更易处理的线性状态空间表示。这一方向有望为系统辨识、控制理论及机器学习等领域提供新的建模思路。目前论文全文可通过arXiv的PDF或HTML版本在线访问，相关引用信息和参考目录也已同步公开。 #谱蒸馏 #非线性动力学 #线性状态空间模型 #arXiv #机器学习 #科研论文

量子结构化世界模型论文发布，聚焦预测性潜在动力学

一篇题为《用于预测潜在动力学的量子结构化世界模型（QSWMs）》的学术论文已提交至arXiv平台。该论文由Jianfeng Zhu提交，作者包括Hailong Jiang及其他五位合作者。研究提出将量子结构引入世界模型框架，以优化对潜在动态的预测能力。论文支持PDF、HTML及TeX源文件访问，并已获取arXiv书目管理工具及引用数据，相关代码和数据链接也已同步收录。 #量子计算 #世界模型 #机器学习 #AI #学术论文

DG-FedReuse论文亮相 arXiv，提出联邦学习缓存更新复用新方案

近日，一篇题为《DG-FedReuse: Proxy-Gradient-Gated Cached-Update Reuse with Matched Sparse Uplink Accounting》的学术论文在 arXiv 预印本平台发布，作者为 Rahil Aftab、Vineet Kumar Rakesh、Soumya Mazumdar 和 Tapas Samanta，提交日期为 2026 年 8 月 5 日。从标题和现有信息来看，该研究聚焦联邦学习中的通信效率问题，提出一种由代理梯度门控的缓存更新复用机制，并结合稀疏上行链路预算计算，目标是通过减少客户端与服务器之间的数据上传量来降低训练通信开销。论文目前提供 PDF、HTML 及 TeX 源码等多种阅读方式，并已接入多个学术引用与推荐工具，但具体技术细节和实验结论尚未在页面中进一步公开。 #联邦学习 #arXiv #论文 #通信优化 #AI #机器学习

QEvict：可恢复的量化KV驱逐技术，提升长上下文解码对注意力漂移的鲁棒性

一篇题为《QEvict: Recoverable Quantized KV Eviction for Attention-Drift-Robust Long-Context Decoding》的论文于2026年8月5日提交至arXiv预印本平台。该研究针对大语言模型在长上下文解码过程中出现的“注意力漂移”现象，提出了一种可恢复的量化KV（键值）驱逐机制。该方法通过对KV缓存进行量化压缩，并在必要时恢复被驱逐的信息，从而在降低显存占用的同时保持模型对长序列中关键信息的敏感度，提升解码的稳定性和鲁棒性。论文作者包括Ayushman Garg等六位研究者。该工作为高效长文本推理提供了新的技术路径，有望缓解长上下文建模中的资源瓶颈与注意力分布偏移问题，对后续大模型推理优化研究具有参考价值。 #论文 #AI #大模型 #长上下文 #KV缓存 #注意力机制 #量化

研究者提出在线无源域自适应方法，解决类别不平衡脑电几何错位问题

一项新研究聚焦于脑电信号（EEG）分析中的几何错位与类别不平衡挑战。在实际应用中，不同受试者或不同时段的EEG数据往往存在几何分布偏差，且各类别样本数量不均，导致传统分类模型的泛化性能下降。该研究提出一种在线无源域自适应方法，无需访问原始源数据，即可在测试阶段实时调整模型，以纠正几何错位，并专门针对类别不平衡问题进行优化。该方法由 Shiwen Chu 等人提出，论文已以预印本形式在 arXiv 发布。其研究成果有望提升脑机接口、神经疾病诊断等领域的EEG信号解码准确性与系统鲁棒性。 #脑电信号 #脑机接口 #在线自适应 #无源域自适应 #类别不平衡 #科研进展 #arXiv #AI

评估用于野火后泥石流预测的机器学习模型

一篇由 Quinn Ledingham 等九位作者撰写的学术论文《Evaluating Machine Learning Models for Post-Wildfire Debris-Flow Prediction》提交至 arXiv 预印本平台。该研究聚焦于野火发生后泥石流灾害的预测问题，系统评估了多种机器学习模型在该场景下的表现。论文内容涉及模型构建、数据训练与性能比较，旨在提升对野火后泥石流发生风险与规模的预测能力，为灾害预警和应急响应提供更可靠的技术支持。目前论文已提供 PDF 及 HTML 实验版全文，并附带相关代码与数据链接供研究者参考。 #机器学习 #泥石流预测 #野火 #灾害预警 #arXiv #AI #科学论文

新兴零售投资组合管理应用：结合自然语言目标的个性化税收感知强化学习

arXiv 上近日出现一篇题为《An Emerging Retail Portfolio Management Application: Personalized, Tax-Aware Reinforcement Learning with Natural Language Goals》的论文，作者为 Ramin Pishehvar。该论文于2026年8月5日提交，研究方向聚焦零售投资组合管理，提出将个性化、税收感知的强化学习与自然语言目标相结合的方法。论文页面提供 PDF 和 HTML 全文链接，目前 DOI 尚未正式注册。该研究或为个人投资者提供更贴合需求、更智能的资产配置方案。 #arXiv #论文 #强化学习 #投资组合 #金融科技 #AI #自然语言处理 #税收优化

超越旋转

据arXiv预印本显示，Yue Han和Dianlin Wang提交了一篇题为“Beyond Rotations: AuroOFT for Expressive Quantized Orthogonal Fine-Tuning”的论文。该研究提出了一种名为AuroOFT的新方法，旨在通过量化正交微调技术提升模型的表达能力，突破了传统仅依赖旋转操作的局限。该方法在保持参数高效的同时，增强了微调过程中的表达自由度，有望为大规模模型的轻量化适配提供新思路。论文于2026年8月5日提交，目前正在等待DOI注册。 #arXiv #论文 #AI #机器学习 #量化 #微调 #正交 #AuroOFT #深度学习

论文提出AuroSFT方法，用于适配器状态多任务微调

近日，一篇题为《Beyond Full-Model Rollback: AuroSFT for Adapter-State Multi-Task Fine-Tuning》的论文在arXiv预印本平台发布，作者为Yue Han和Ziniu Liu。论文提出AuroSFT方法，聚焦适配器状态下的多任务微调场景，探讨如何超越传统的全模型回滚策略。该研究可能为参数高效微调技术提供新的解决思路。目前论文已提供PDF、HTML及TeX源码等访问方式，并附有参考文献、引用工具等学术资源。 #论文 #arXiv #微调 #机器学习 #AI

Telegram必备的搜索引擎，极搜JISOU帮你精准找到，想要的群组、频道、视频、音乐

👉 t.me/jisou2?start=a_8247614025

PRISM：通过结构化多模态数据合成实现优先级感知的评分标准内化

据arXiv预印本平台显示，一篇题为“PRISM: Priority-aware Rubric Internalization via Structured Multimodal Data Synthesis”的研究论文于2026年8月5日提交。该论文由Xiaomin He等7位作者共同撰写，核心聚焦于通过结构化多模态数据合成技术，使模型能够内化优先级感知的评分标准。论文目前提供PDF版本下载，并已通过DataCite分配arXiv DOI（待注册）。该研究可能对多模态学习、自动评估及AI教育领域产生潜在影响。 #arXiv #多模态 #数据合成 #评分标准 #AI研究 #机器学习 #论文

论文质疑因子化生成模型

一篇来自arXiv的最新研究论文指出，在因子化生成模型中，单纯依赖边际匹配（Marginal Matching）并不足以确保因子化采样的安全性。该研究由Duong Bach等人完成，通过审计发现，因子化生成模型在条件风格生成过程中存在显著的风格泄露风险。论文强调，即使模型在边际分布上匹配良好，其因子化采样结果仍可能泄露原始数据的风格特征，这对生成模型的隐私保护提出了新挑战。这一发现对于当前广泛使用的条件生成模型（如扩散模型、变分自编码器）的安全评估具有重要参考价值，提示研究者需引入更严格的审计机制。 #生成模型 #因子化采样 #风格泄露 #边际匹配 #AI安全 #隐私保护 #arXiv论文 #机器学习 #条件生成

将3D建模与空间推理解耦，新研究提出独立框架

一项来自arXiv的最新研究提出，应重新审视3D建模与空间推理之间的传统捆绑关系。由Haoze Sun等人撰写的论文《Disentangling 3D Modeling from Spatial Reasoning》指出，目前大多数3D场景理解方法将几何建模与空间关系推理混为一谈，导致模型泛化能力受限。研究团队通过设计解耦架构，分别处理形状重建和空间推理任务，并在多个基准测试中验证了该方法的有效性。实验结果表明，分离后的模型在空间关系推理任务上提升显著，同时保持了3D建模的精度。该工作为下一代3D视觉系统提供了新思路，有望推动机器人导航、增强现实等领域的应用。 #arXiv #3D建模 #空间推理 #计算机视觉 #人工智能 #论文 #新研究

arXiv 新研究提出多变量时间序列与语言的表示对齐方法

一篇题为《将感知与描述解耦：多变量时间序列与语言的基于计算的表示对齐》的论文于 2026 年 8 月 5 日提交至 arXiv，作者为 Xinran Feng 及另外六位学者。该研究聚焦于多变量时间序列数据与自然语言之间的表征对齐问题，提出以“计算基础”的方式实现二者的对齐，并主张将感知过程与语言描述解耦，从而更有效地建立跨模态联系。论文提供了完整的 PDF 全文、TeX 源码及相关工具链接，目前可在 arXiv 平台上获取和引用。 #arXiv #多变量时间序列 #表示对齐 #自然语言处理 #跨模态 #AI #机器学习

PPDL

一篇名为《PPDL: LLM-Based Flows as Probabilistic Programs》的学术论文正式提交至arXiv平台。该论文由Louis Mandel与其他三位作者共同完成，于2026年8月5日发布。研究提出了一种名为PPDL的新方法，旨在将基于大语言模型（LLM）的工作流程抽象为概率程序，从而以更严谨的数学框架描述和推理LLM的生成过程与不确定性。该研究有望为LLM应用的流程设计、分析与优化提供新的理论基础。 #论文 #LLM #概率编程 #AI #arXiv

黑盒预测器纠正性特征发现

一篇发表于arXiv的论文探讨了在黑盒预测器中自动发现纠正性特征的问题。研究提出了一种智能体方法，用于识别那些能够提升模型预测准确性的修正特征，并系统分析了这些特征在何种条件下能够发挥最大作用。通过实验验证，该方法能够有效定位模型缺陷并引入针对性修正，为提升黑盒模型的可解释性和鲁棒性提供了新思路。 #arXiv #机器学习 #黑盒模型 #纠正性特征 #智能体 #可解释性 #模型鲁棒性