跳到主要内容
检索

Beihang University

28 篇关联报道

订阅更新
  1. arXiv

    候选轨迹评估不再逐条推演未来:RFWorld 改用共享场景记忆,NAVSIM 上 PDMS 达 90.5

    端到端自动驾驶要在多条候选轨迹中挑一条执行,此前的世界模型评估器会为每条候选沿规划时域显式预测未来状态,推理开销随候选数和时域增长,还会累积预测误差。RFWorld 改为只构建一次与轨迹无关的共享场景记忆,训练时用带语义监督的轻量时序读出塑造它,推理时让候选轨迹通过稀疏空间读出直接查询打分。在 NAVSIM-v1 上,RFWorld 以 ResNet-34 骨干取得 90.5 的 PDMS,高于表中 DriveDPO 的 90.0 与 ResWorld 的 89.0。

  2. arXiv

    信号灯不再先做结构化感知:Traffic-VL 直接看多路摄像头,三周十个路口平均排队缩短10.4%

    交通信号控制此前多依赖专用感知流程产出的结构化车流状态,或把仿真图像先转成中间表示再决策。Traffic-VL 用80亿参数视觉语言模型把同步多视角图像与自然语言相位描述直接映射为相位选择,并配套 SynTra-V 把物理仿真转成经语义审计的逼真监控图像用于训练。在五个闭环基准上它与使用结构化状态的 Traffic-R1 相当,在真实监控图像上相位选择准确率为82.1%,三周十个路口实地运行相对人工历史操作把平均排队长度降低10.4%。

  3. arXiv

    SecureGARD给工具调用加语义闸门:三个基准、两种骨干上观测攻击成功率均为0%

    工具型大模型智能体把模型输出变成真实操作,间接提示注入因此成为执行安全问题。SecureGARD在规划与工具执行之间插入一层可执行本体,把异构工具调用归一到共享的语义动作,再结合当前任务状态判定为就绪、等待或禁止。在AgentDojo、ASB与AgentDyn的良性及间接注入设置下,两种骨干上的观测攻击成功率均为0%,受攻击时的任务效用优于所比较的基线。

  4. arXiv

    跨语言越狱有了共同靶点:安全内核只占0.12%神经元,掩码微调压低多语攻击成功率

    大模型的安全能力在不同语言间并不一致,同一有害请求换一种语言就可能绕过拒答。研究者先在每种语言内部独立找出与安全行为相关的神经元,再取六种语言候选集合的交集,得到跨语言共享的“安全内核”,并用激活抑制和激活状态迁移验证其功能作用。在此基础上提出的SK-Masked LoRA只把微调更新限制在安全内核对应的前馈网络输出维度上,在多个模型和多语言安全基准上降低攻击成功率,对未参与内核发现的语言也有一定效果。

  5. arXiv

    WebCoder把前端开发当作持续工程来训练:需求满足率72.8,超过Claude-Opus-4.8的65.1

    智谱AI实习期间完成的WebCoder-27B,把复现、生成、修改与修复放进同一个持续演化的项目状态里,用可执行应用对任务需求的满足程度来给强化学习打分。在新建的Webdev-Bench上,它的需求满足率从基座Qwen3.8-27B的64.8升到72.8,高于Claude-Opus-4.8的65.1;在Vision2Web上视觉与功能平均分从41.1升到62.4,与Claude-Opus-4.8的62.5相当。

  6. arXiv

    GRPO安全对齐在难题上信号归零:Beacon补回安全方向,四个模型平均安全错误最多降32.83个百分点

    大型推理模型的安全对齐常用GRPO,但同一提示下采样的回答往往安全与否一致,组内相对优势随之消失,模型在持续不安全的提示上得不到指向安全的方向。Beacon把安全信号恢复与安全—效用解耦对齐合在一起:前者筛选高对比轨迹并在信号塌缩时直接监督安全参考回答,后者按提示类别给奖励并只对良性提示做KL锚定。在四个Qwen3与DeepSeek-R1-Distill变体、八个基准上,平均安全错误较初始策略降低17.69至32.83个百分点,XSTest过度拒答率为0.40%至1.20%。

  7. arXiv

    交互视频世界模型把旧帧当假象:改用有效时间重标日期,撤销动作后当前状态占比从0.36升到0.62

    交互视频世界模型从带拍摄时间戳的记忆库取帧,冻结的生成器把最新时间戳当作真相,因此智能体撤销动作后,唯一记录当前状态的旧帧会被判为过时。ReDate保留每一帧,按动作日志给出的有效时间重新标注检索到的令牌,让回退区域读作刚到达新状态,无需训练。在FAR基准的352个回退步骤上,当前状态占比从0.36升到0.62,过时状态占比从0.27降到0.09;HY-WorldPlay上从0.003升到0.19。

  8. arXiv

    相似技能不再靠描述打分:能力图按最弱证据判定,ALFWorld成功率从22%升到29%

    智能体技能库变大后,语义相近的技能仅凭描述难以区分。SKALOS把每个技能拆成能力、方法、产物与约束节点构成的多层级能力图,用Max–Min见证学习要求同一实现联合覆盖查询的全部需求,并以排序反馈校准抽取错误。在SkillRet上,它的NDCG@10比匹配的纯文本重排器高2.68个百分点;在受控ALFWorld任务上,见证引导的技能选择把成功率从22%提高到29%。

  9. arXiv

    隐私向量检索不再随库规模线性变慢:HNSecW把在线搜索压到对数时间,十亿级数据上仍保住召回

    在查询与数据库双方都需保密的对称隐私场景下,HNSecW把基于HNSW图索引的近似最近邻搜索改造成可在安全多方计算中执行的全数据无关流程,使单次查询的在线通信与本地计算达到对数复杂度。此前同类协议多采用聚类式流程,在线通信随数据库规模线性增长。在百万到十亿级基准上,HNSecW保持与明文HNSW相当的召回,并在广域网上相对2PC PANTHER取得最高数量级的端到端加速。

  10. 车辆离开后不必整体重训:单轮联邦模型可精确编辑,移动模拟中累计时间省36%–44%

    单轮联邦学习把训练压到一次通信,但模型训练完就固化,车辆加入或退出后只能整体重训。F-SOSA 按固定规模随机抽取客户端子集,使相邻设备集合下的输出分布在总变差距离上有界,再把曲率感知融合改写成按客户端可加的充分统计量投影,并据此给出撤回贡献的 F-SOSA-U 与纳入新贡献的 F-SOSA-I。在 SUMO 城市移动模拟中,两者精度与重训相当,累计时间与通信开销分别降低 36%–44% 和 22%–33%。