Sigma-Hunter 用 7B 模型微调生成 Sigma 检测规则,得分超越通用大模型

arXiv 上一项新研究提出 Sigma-Hunter,用 3635 条开源 Sigma 规则微调 7B 和 Phi-4 模型,让紧凑模型在威胁狩猎规则生成上得分超过更强的通用大模型,且可本地运行。

arXiv 上一项新研究提出 Sigma-Hunter,用 3635 条开源 Sigma 规则微调 7B 和 Phi-4 模型,让紧凑模型在威胁狩猎规则生成上得分超过更强的通用大模型,且可本地运行。

arXiv 2026年10月8日发布的一篇论文提出 Sigma-Hunter,用 3635 条合法 Sigma 规则微调 7B Mistral 与 Phi-4,让模型更可靠地生成检测规则,并支持离线环境本地运行。

arXiv 平台 2026 年 10 月 8 日发布的一篇论文研究多智能体游戏中目击者报告不安全任务的学习问题,发现分离共同目击者能显著减少不安全任务完成率,但审计成本随策略共享程度成倍增加。

arXiv 上的一项新研究用博弈论分析多智能体共享奖励时,见证者为何倾向于对不安全任务保持沉默,并给出审计条件与 PPO 训练实验数据。

2026年10月1日 Hugging Face Papers 收录的论文摘要提出 UniWAM,一个把物理推理、世界生成与动作预测三部分合一的统一架构,并声称在多项评测中取得 SOTA,同时发现人机混合训练的对数线性缩放规律。

一篇 arXiv 新论文发现,LLaMA-2-7B-Chat 的安全行为高度集中在极少数参数上,仅改动 MLP down_proj 中约 0.19% 的权重,就能显著提高攻击成功率,而通用能力几乎不变。这意味着端侧和本地部署模型面临一种成本极低的参数篡改风险。

一篇新论文摘要显示,在 LLaMA-2-7B-Chat 中只需修改约 0.19% 的权重,就能让攻击成功率超过五成,而通用基准准确率几乎不变。这提示端侧模型的安全防护可能集中在极少数参数上,值得开发者提前关注。

arXiv 新论文提出训练“想法级批评家”模型,用来预判某个机器学习改动是否值得验证,从而在有限算力预算下让自进化 AI 智能体筛选出更有潜力的方案,并在静态评估上超过 Gemini-3.1-Pro。

OpenAI 的 ChatGPT 和 Codex 负责人 Tibo Sottiaux 公开承诺,未来 28 天每天要么推出对多数 Codex 和 Work 用户明显有用的改进,要么进行一次完整额度重置。这既是一次产品节奏表态,也折射出 OpenAI 在 AI 编码工具竞争中的紧迫感。

OpenAI 的 ChatGPT 和 Codex 负责人 Tibo Sottiaux 在 X 上公开承诺,未来 28 天每天要么推出对多数 Codex 与 Work 用户明显有用的改进,要么进行一次完整的额度重置。这反映出 AI 编程工具竞争正从“功能数量”转向“每日可感知价值”。