UIUC最新研究：12款主流AI编程助手被一锅端？隐藏后门能直接远程控制你的电脑！
AI编程助手不仅仅是代码工具。最新研究揭示，Claude Code、Codex等产品可能被恶意指令攻破，黑客可远程控制你的电脑。
标签：AI应用
共 437 篇
密歇根州立最新研究：仅用一个线性变换，让人脸向量“说出名字”
想搞清空心阴极灯里原子蒸气到底有多密、有多热？杜伦大学这篇把银原子吸收谱从“经验判断”变成了“定量可算”。模型简单、拟合漂亮、代码开源，对做原子物理、量子传感、激光稳频的读者来说是个不错的参考样板。
树莓派上给消防员“开天眼”？门控去雾新范式：只花10毫秒判断，省下470毫秒算力
人人都说“先增强，后感知”，但一篇来自高中生的树莓派论文硬核证明：这个“共识”可能正在浪费你80%的算力！用10毫秒的暗通道判断，直接省掉470毫秒的去雾推理，精度还不降反升。嵌入式视觉的极致性价比，这篇论文讲透了。
视频推荐只会"哪里相关"？反事实测试揭开"是否真有证据"的谎言
推荐系统平时只知道"你爱看什么"，却说不清"视频里哪一秒、哪个画面真正打动你"。这篇论文设计了一套反事实测试：把证据片段替换掉，看模型还坚不坚持原先的判断。结果扎心——不少模型定位很准，但证据判断相当糊弄。值得所有做视频推荐、时间定位和可解释推荐的读者一读。
EMNLP 2026最新：对话推荐总翻车？DREAMS用双蒙特卡洛树让大模型记住偏好，成功率最高+56%
当大模型碰上对话推荐，最怕的不是模型笨，而是它“聊完就忘”。这篇EMNLP 2026主会论文直接抛弃了把上下文堆进Prompt的粗暴玩法，提出双节点蒙特卡洛树搜索框架DREAMS，一边主动问偏好，一边把对话状态变成精准检索查询，成功率平均提升7.43%，Redial上R@1高达0.507，还开源了代码，值得一读！
UW最新研究：VLM+MR给路痴导航，场景识别提升22%
方向感差不是智商问题，而是注意力投错了地方。这篇论文用20人的VR眼动实验抓出了路痴和认路高手的本质差异，再把这个差异翻译成VLM提示词，做成了混合现实导航系统——直接让场景识别率提升22%，地标回忆数量翻倍。导航软件终于开始考虑“让你记住路”而不是“替你走完路”了。
字节跳动UBASE：万亿向量检索吞吐3倍，内存直降80%
这不是又一棵刷榜的韭菜，而是字节跳动万亿级生产系统UBASE首次系统公开。它真正解决的是大模型时代最扎心的痛点：向量海量增长，内存和成本双双爆炸。吞吐3倍、索引内存降80%、成本降86%的硬核数据，值得每个搞RAG和向量检索的人细品。
拦截弹怎么分？数学证明：均匀分配完胜随机，效率可差近5倍
多枚拦截弹打多个来袭目标，究竟怎么分配才最优？这篇论文用严格的数学证明给出了答案：均匀分配不仅优于随机分配，而且就是最优策略。看似简单的结论，背后藏着几十年的悬而未决，值得一看。
高棉语OCR新范式！一个模型同时搞定识别和分词，延迟大幅降低
高棉语这种低资源小语种，连词与词之间都没有空格，OCR完还得单独做分词。这篇论文直接端到端二合一，一个CTC解码器同时吐字符和词边界，合并任务延迟大幅下降，精度还不掉队。低资源语言NLP的工程落地，值得一看。
三个数据集实测：GPT-4o排序垫底，当推荐解释官却比模型更通用
这篇论文很有反差感：一边证明GPT-4o等LLM做复购排序确实打不过传统监督模型，一边又发现LLM引用的行为特征在跨模型掩码评测里真有信号。对做推荐系统、做LLM可解释性的朋友都值得一读，尤其那句“排序质量≠解释质量”，值得反复琢磨。
ITMO大学新研究：探索器便宜94%也能用
代码修复里最容易被忽略的，其实是“先去哪找”。这篇论文把仓库探索单独拎出来做基准，直接比较探索器的质量和成本，结论很实用：便宜模型未必差很多，但也不是谁都能省得漂亮。
752M模型压到1.58比特：常识还在知识全丢？
模型压缩领域一直有个终极诱惑：既然大模型这么贵，能不能把权重压到极致？三值化（Ternary Quantization）就是这条路上的狂飙选手——把每个权重压缩到只有三个取值{-1, 0, +1}，理论上每个权重只需要约。
