CTF-Dojo:用于训练语言模型智能体发现漏洞的大规模可执行运行时环境
研究人员推出 CTF-Dojo 平台及自动化工具 CTF-Forge,包含 658 个容器化 CTF 挑战,支持可验证反馈训练。 基于 486 条高质量轨迹训练 LLM 智能体,在 InterCode-CTF 等基准上取得最高 9.9% 绝对提升。 最佳 32B 模型 Pass@1 达 31.9%,超越 DeepSeek-V3-0324 等前沿模型,确立开源新纪录。
研究人员推出 CTF-Dojo 平台及自动化工具 CTF-Forge,包含 658 个容器化 CTF 挑战,支持可验证反馈训练。 基于 486 条高质量轨迹训练 LLM 智能体,在 InterCode-CTF 等基准上取得最高 9.9% 绝对提升。 最佳 32B 模型 Pass@1 达 31.9%,超越 DeepSeek-V3-0324 等前沿模型,确立开源新纪录。
Cyber-Zero 是首个免运行时框架,通过逆向工程 CTF 题解生成智能体轨迹,在三大基准上较基线提升最高 11.4%。 该框架利用公开 CTF 题解与角色驱动 LLM 模拟,无需实际环境即可生成长程交互序列。 其最佳模型 Cyber-Zero-32B 在开放权重模型中创 SOTA,性能媲美 DeepSeek-V3-0324 与 Claude-3.5-Sonnet。
在异构噪声下,高维数据中的真实欧氏几何可以从被破坏的成对距离中恢复。 无需先验知识,该方法能无偏估计真实距离,恢复误差随维度和样本量增加呈多项式收敛。 在单细胞 RNA 测序数据中,该方法能可靠地恢复局部邻域结构。
提出礼貌性前瞻性规划,通过联合最小化即时成本与所有机器人的聚合预期未来成本,减少长期任务序列的副作用。 采用独立每机器人学习评估器避免组合联合滚出,支持模块化部署;在家庭与餐厅两个PDDL域中验证有效性。 在长序列中,相比短视和自私前瞻性规划,总成本分别降低10.4%和4.5%(双机器人家庭)及20.5%和6.7%(三机器人餐厅)。
Reforge 提出了一种可追溯的评估流水线,旨在解决二进制分析基准中因编译器优化导致的地面真值对齐可靠性问题,并引入不确定性感知评估机制。该流水线构建了八重门控置信漏斗和三层分层体系,在受控微基准测试中显示,高置信度产出率随优化级别提升从 87.2% 下降至 65.9%。该工作证明了七款主流 LLM 的函数命名概念验证,并获得了 2026 年国际应用计算大会最佳论文奖。
Larch 框架通过优化 AI SQL 查询中语义过滤器的执行顺序,在多种数据集上显著降低 token 消耗。该框架包含 Larch-A2C 和 Larch-Sel 两个变体,分别利用图神经网络建模和监督学习预测选择性来指导动态规划。 实验结果显示,Larch 比 Palimpzest 和 Quest 减少 6%-30% 的总 token 成本,并将 token 开销降低 3-19 倍。
summary_zh: DeltaBox 提出基于变更的 OS 级沙箱检查点机制,实现毫秒级状态保存与回滚,解决现有方案高延迟瓶颈。 通过 DeltaFS 冻结可写层实现文件状态 copy-on-write,DeltaCR 从冻结模板进程 fork 恢复内存状态,两者协同保证一致性。
TransitLM 是首个支持模型绕过结构化地图依赖的公交路线规划数据集,包含中国四座城市近 1300 万条记录,覆盖 120,845 个站点和 13,666 条线路。
**summary_zh:** 提出一种结合机械与智能体的规范推导方法,集成到 Move 智能合约语言及其验证器 Move Prover 中,用于自动推导函数合约。
研究揭示时空深度伪造检测器易受规避攻击,提出SpInShield框架以解耦语义运动与可操纵频谱伪影。 SpInShield通过可学习频谱对手生成严重频谱畸变,采用捷径抑制优化策略,在模拟幅度频谱攻击下AUC比最强基线高21.30个百分点。
提出一种可移植的有效性筛查方法,用于评估 LLM 基准中置信度信号是否随正确率变化。 在 20 个前沿模型 452 题测试中,15 个模型信号有效,1 个无效,4 个不确定;1500 题 MMLU 测试显示判定依赖切分点。 该筛查分离了盲目自信、盲目撤回和反转,仅当信号可测量地追踪正确率时才标记为有效。
论文提出 FedSharp 框架,解决去中心化联邦学习中信道噪声累积及拜占庭攻击问题。在 100 节点环且含 33 个拜占庭节点的实验中,FedSharp 在 MNIST 上准确率达 93.5%-94.9%,显著优于单模型选择基准的 29.4%-38.1%。
CPGRec+ 通过引入 PER 和 PRG 模块,在两个 Steam 数据集上展现出优于现有技术的准确性和多样性。 该框架利用 LLM 生成游戏与玩家的上下文描述,并调整边权以缓解 GNN 模型中的过平滑问题。 研究发表于 ACM Transactions on Information Systems (TOIS),代码已开源。
提出一种受限 VMBQC 模型,仅增加单个可训练参数,参数规模从 N x D 降至 N+1。 数值与代数证明表明,该最小扩展能生成对应幺正模型无法学习的概率分布,优化更可行。
研究推出涵盖79项深突变扫描、21项流感中和任务及SARS-CoV-2预测的基准ViroGym,其中ProGen2模型表现最佳。 测试表明深突变扫描与中和任务能可靠识别可泛化至现实世界突变的模型,且两者互补。 相关数据与代码已在GitHub开源。
该研究提出用2D投影近似3D椎骨掩膜,以识别颈椎骨折。在包含2019名患者的RSNA 2022数据集上,患者级F1分数达82.28%,AUPRC为92.00%。 该方案将2D掩膜反投影并融合为近似3D掩膜,提取CT感兴趣区域。使用2.5D CNN-Transformer模型进行分析,掩膜替换未导致AUPRC显著下降。 研究证实投影掩膜可作为颈椎骨折识别中3D椎骨分割的有效代理。
基于 nnU-Net 的 ISLA 框架在 590 例独立多中心临床队列中优于预训练模型,实现约 5 秒/例的处理速度。 该模型结合集成学习与域适应,在低对比度病灶上表现优异,代码权重开源。
summary_zh: 研究人员提出 Teleo-Spatial Intelligence 并提出 EscherVerse 数据集,包含 11,328 个真实世界视频。
该研究提出一种模型无关方法,通过构建潜在参数的置信集并估计分位数函数,量化模拟与现实系统的“sim-to-real”差异。 方法适用于一般输出空间(如分类调查响应和多维连续数据),支持统计推断、计算条件风险价值(CVaR)及跨模拟器比较。 该方法在WorldValueBench数据集上验证了四个主要LLM与人类群体的对齐程度,论文已被NeurIPS 2026接收。
E0 提出一种基于 Tweedie 离散扩散框架的方法,通过量化动作 token 上的迭代去噪生成细粒度且可执行的动作,解决现有 VLA 模型动作粗糙或不稳定的问题。 实验在 LIBERO、VLABench、ManiSkill 和 Franka 实机上测试,E0 表现达到最先进水平,平均优于强基线 8.1%。
开源平台 BigCodeArena 通过实时执行环境评估 LLM 代码生成,发现 4,700 个多轮样本中人类偏好在细粒度领域存在未被探索的模式。 平台收集了 10 种语言、8 类执行环境下 14,000 个原始会话,并据此构建了 BigCodeReward 和 AutoCodeArena 两个基准。
RL 后训练的 Kimi K2.7 Code 在 6 个外部基准测试中 pass@1 全面提升,如 Terminal-Bench 2.1 从 67.4 升至 82.0。
研究在储层历史匹配中应用 StyleGAN2,证明使用中维 w-space 优于 z-space。 w-space 比纠缠的 z-space 更具线性且解耦,适配 ESMDA 线性更新,生成的样本兼具地质真实性与数据匹配度。 该方法在两个二维案例(分类与连续)中验证有效,优于 VAE-GAN 与 Latent Diffusion。
包含 1,140 个任务,覆盖 139 个库与 7 个领域,平均分支覆盖率 99%。 已获 ICLR 2025 Oral 录用,由 BigCode 社区构建。
PRODiGI 是一种预训练模型,能单次前向传播推断出显式可执行的生成式程序。 它通过模板预测和非自回归参数解码适应不同生成家族和数据维度,推断出的程序支持直接采样、密度及分数评估。实验显示,PRODiGI-FT 在密度和分数指标上优于现有模型,速度提升数倍,生成 MMD 降低 90%。 该模型为快速、可解释的表格生成建模提供了新方向。
Astraios 构建了包含 28 个基于 OctoCoder 的指令微调模型,覆盖 7 种微调方法及 4 种不同规模的模型(最大 16B 参数)。 在 5 类任务和 8 个数据集上的测试表明,全参数微调(FFT)在下游任务中表现最好,而 LoRA 在成本与性能之间通常能取得最佳平衡。 研究还发现,模型规模越大,其鲁棒性和代码安全性往往越低。
现有假新闻检测器存在显著偏差,更易将 LLM 生成内容误判为假新闻,而常将人类编写的假新闻误判为真。 该偏差源于 LLM 输出特有的语言模式,研究者通过对抗训练 LLM 改写真新闻缓解此问题。 研究发布 GossipCop++ 和 PolitiFact++ 数据集以推动相关领域研究。
论文提出 OVI 算法,证明专家交互可放宽学习者对专家策略的表征需求,仅需实现专家价值函数即可提升性能。 实验显示,OVI 优于行为克隆(BC)、DAgger 及离线基于价值的方法,且当学习者网络表达能力显著低于专家时提升幅度最大。
研究在 ~6-10K 参数 Tiny Transformers 全枚举有限因式世界中,证明输入路径(符号 token、oracle 代码、纠缠感知向量)决定少样本组合绑定的样本效率,可读性是关键变量,最低可读纠缠代码表现最差(-0.147)。
URSA 是一个化学感知基准框架,用于从形式收敛和化学合理性两个维度评估逆合成路线。 该框架对传统端到端系统和 LLM 进行了全面评测,在 OOD 集合中 LLM 虽达到 SOTA,但综合成本与可行性的 Pareto 前沿均由专用规划器占据。
QVal 是一个免训练测试床,用于测量密集监督信号的 Q 对齐度,即信号对状态中候选动作的排序是否与参考策略下的回报一致。该基准测试了来自七个家族的 21 种方法和六种开放权重骨干,发现简单提示基线在平均 Q 对齐度上表现最佳,而代码生成信号仅在小状态和动作空间中表现良好。Q 对齐度与测试时任务成功率增益强相关,使研究人员能在提交完整训练前低成本比较新信号。
论文解决了连续时间隐变量 SDE 模型的可识别性难题,提出利用环境诱导的扩散协方差漂移进行解缠。证明在对角扩散机制下,无需对漂移加稀疏假设即可识别隐变量坐标。 作者提出两阶段估计器,实验验证了理论边界,并应用于 Hardanger Bridge 监测数据。 论文已被 NeurIPS 2026 接收,包含 53 页内容。
针对现有扩散模型固定原子数量导致无法准确捕捉分子性质与大小联合分布的问题,研究提出名为 Morph 的灵活尺寸生成模型。 该模型基于几何图结构,通过非平衡最优传输动态调整分子大小,在保持性能的同时显著增强了属性导向采样灵活性。 研究展示了 Morph 在分布外生成任务中超越了先前固定尺寸模型在特定区域表现不佳的局限。
summary_zh: AMUSE 结合 Muon 的批量快速进度与 Schedule-Free 的平均稳定性,无需学习率调度且支持即时训练。 该优化器使用时间变化的插值系数,初期在快速 Muon 序列附近评估梯度,后期转向稳定平均序列以抑制谷壁振荡。
提出FedUCA框架,通过效用约束随机聚合解决联邦学习中理性客户端因利益冲突退出训练的问题。 该框架采用狄利克雷采样混合策略建立非支付通信渠道,服务器据此优化聚合参数以满足客户端的个体理性约束。 该方案有助于提升客户端留存率并改善全局模型性能,已获NeurIPS-2026会议接收。
研究提出Wavelet Flow Matching(WFM),一种生成式仿真器,通过在多尺度小波空间直接执行最优传输流匹配,克服现有方法成本与精度间的权衡。 该模型利用U-Net层级结构预测无损小波表示的传输速度,无需预训练自编码器。在三个混沌流体动力学系统上,WFM展现出优越的光谱相干性及具有竞争力的长时程精度。
在冻结少样本提示学习中,自适应门控常因输出趋近常数且梯度信号微弱而失效。研究通过受控实验定位出梯度幅度失衡与门控退化两种主要失败模式。
参数高效微调(PEFT)方法面临适配器规模与表达力的权衡,BoostLoRA 提出一种梯度提升框架以打破此限制。该框架通过迭代训练和合并极简适配器,利用 ROTATE SVD 基策略使累积有效秩随轮数线性增长,且合并后消除推理开销。
作者构建了计算机辅助反例,解决了 Rudin, Schapire 和 Daubechies 在 COLT 2012 年提出的关于穷举 AdaBoost 是否总是收敛到有限循环的开放问题。
推荐理由:论文利用 LLM 协助解决 AdaBoost 循环问题,提供了计算机辅助反例及协作研究流程的详细案例。
该综述系统回顾了 59 种生成式方法,覆盖序列生成、骨架生成等六大蛋白质设计任务。 文章阐述了蛋白质表征方式,并讨论了结构约束与功能信息在生成过程中的利用,以及计算和实验评估方法。 作者认为生成式建模的快速进步将使未来能够更可靠地设计更多种类的蛋白质结构与功能。