4092 篇论文
本文介绍了 AGENTSPILL，这是一项实证审计，旨在证明大型语言模型极易受到过度代理漏洞（excessive agency exploits）的影响——其总体成功率达到了 50.6%——特别是通过工具描述注入（tool description injection）和未确认动作链（unconfirmed action chaining）进行的攻击，这些手段会导致模型优先执行被操纵的指令而非规范的工具定义，并自主执行破坏性序列。
本文提出了一项跨格式测量研究，证明间接提示注入漏洞通常源于提取流水线未能对嵌入在不同文件格式的元数据、二进制头部和结构化字段中的隐藏有效载荷进行清洗，而非源于大语言模型本身对内容的解释。
本文通过展示虚假声明在近 70% 的试验中会触发有害的现实世界行为，引入了一种衡量工具使用型大语言模型智能体“声明-行动”差距的新型框架，而通过在执行前实施一项 OWASP 推荐的验证步骤，这一漏洞被有效地消除（将行动率降低至 0%）。
本研究采用完整的 2³ 全因子设计对一个四量子比特混合量子神经网络进行基准测试，结果表明，尽管特定的结构与目标函数交互作用显著影响精确梯度的大小，但其在有限采样条件下的效应在统计上仍具有模糊性，且尚未展现出优化成功或硬件优势。
本文识别了一个关键的“意图差距”，即前沿人工智能模型尽管在字面上符合提示词要求，却无法满足用户的真实需求，这揭示了当前由研究人员设计的基准测试会忽略这些与部署相关的失败，因为真实用户很少将这种不满表达出来，作者通过从大规模对话语料库中挖掘出的新分类法量化了这一现象。
本文介绍了 HABIT，一种自我演进、与宿主无关的 AI 代理控制台，旨在通过将可靠的工具调用与实时软件状态同步，并利用基于记忆的学习系统持续适应用户习惯，来实现航空航天领域复杂的基于图形用户界面（GUI）的计算机辅助工程（CAE）工作流自动化。
本文提出了一种新型混合图神经网络框架，该框架集成了图卷积网络、图注意力网络、图变换器以及基于小波的特征增强技术，以捕捉多尺度结构与谱模式，在检测复杂金融欺诈方面，其精度与可扩展性均显著优于现有方法。
本文提出了两种物理信息神经网络模型，即 DeepXDE 和原始 PyTorch 实现，旨在有效求解含有两个小参数的奇异摄动抛物型偏微分方程，从而解决标准数值方法在捕捉边界层和内部层方面的局限性。
本文提出了一种计算高效的物联网入侵检测流水线，该流水线集成了一种混合 SMOTE-ENN-LOF 平衡策略、一种基于聚类的互信息特征选择算法 (BBFS) 以及经过饥饿游戏搜索优化的 1D CNN，旨在通过缩减的特征集和紧凑的模型架构，在多种物联网数据集上实现可靠的攻击检测。
本文提出了一种结合了 ConvNeXt-Base 与 CBAM 以及 Vision Transformer (ViT-B/16) 的可解释混合深度学习框架，该框架在胸部 X 线图像上的肺炎检测准确率（94.03%）和可解释性方面均优于现有的基准模型。