AI FRONTIER
Signals worth understanding before they become obvious.
LLMON:面向LLM的原生标记语言,现已进入Granite 4.1 3B和8B
IBM发布两个实验性预览模型granite-4.1-3b-LLMON-preview和granite-4.1-8b-LLMON-preview,基于Granite 4.1基础模型训练,可读取和生成LLMON标记文本,通过显式指令与数据分离抵御间接提示注入。
- 在OPI基准上,LLMON模型相比测试中最佳前沿模型多避免47%的攻击,相比最佳开源模型多避免95%。
- LLMON定义六个分隔符,作为保留的单一token安装到分词器中。
- 训练流程包含五个连续的GRPO阶段,随后是基于一千对同策略偏好对的DPO阶段。
- 模型为实验性预览版,适合探索与评估,不适用于生产环境。
构建RAG或工具调用智能体的开发者可以替换为LLMON预览模型,在保持与Granite 4.1 Instruct相当性能的同时获得更强的注入抵抗能力。
TRELLIS.2 3D生成模型微调指南:LoRA适配器与容器脚本
Hugging Face 发布 TRELLIS.2 的微调脚本与容器,通过 LoRA 仅训练稀疏结构流 DiT 和形状流 DiT,在 188 个 GSO 鞋类对象上改善鞋底几何精度。
- 实验使用 GSO 数据集中 188 个鞋类对象,GSO 共含 1,030 个对象。
- 两个目标 DiT 共训练约 930 万个适配器参数:稀疏结构流 DiT 在注意力和 MLP 层使用 rank 8,形状流 DiT 在注意力层使用 rank 16。
- 预处理容器用 Blender 渲染每个对象 16 个视图,188 个对象在 a100-large(80 GB)任务上约耗时 1 小时。
- 训练容器提供 ss 和 shape 两种配置,示例设置 max_steps=3000、i_save=500,并可将适配器检查点上传至 Hub。
对于小规模 3D 数据集,冻结纹理流 DiT 并只对形状相关 DiT 加 LoRA,可在有限算力下定向修正几何缺陷。
Google Research 推出可穿戴设备驱动的 CKM 风险画像与个性化教练框架
Google Research 提出一个研究性机器学习框架,将被动可穿戴信号转化为可改变的健康年龄,并用动作条件世界模型模拟个性化 12 周“假设”习惯轨迹,还可结合常规血液生物标志物追踪心血管-肾脏-代谢(CKM)健康。
- SensorWM 世界模型基于约 10 万名同意参与的 Fitbit 用户、超过 228 万人周的去标识化数据预训练,可在给定两周基线数据后预测 20 项生理指标未来 12 周的演变。
- 在 All of Us 队列 n = 22,748、超过 68,000 人年的随访中,基线健康年龄高于实际年龄的健康参与者,未来八年发生高血压、心血管疾病或 2 型糖尿病的可能性显著更高。
- 在 49 份参与者画像、共 490 次配对评审的盲测中,生活方式教练在 71.4% 的评估中选择反事实方案为最佳整体方案(p < 0.001)。
- 医生评定 99.2% 的反事实方案处于安全运动强度范围内,97.6% 的生理学陈述准确。
对 AI 构建者而言,这展示了以世界模型生成反事实轨迹、再用语言模型转化为可执行建议的闭环范式,并给出了专家盲评与临床安全指标的量化验证路径。
Google Antigravity 加入“远程代理”功能,AI 代理在云端持续工作
Google Antigravity 新增“远程代理”功能,让 AI 代理在云端运行,并在工作时间之外继续工作。
- 该功能名为“远程代理”,AI 代理在云端运行。
- 据 Publickey 报道,代理在工作时间之外仍继续工作。
对构建者而言,云端托管的代理可以把任务执行延伸到单次会话之外,因此需要围绕无人值守运行来设计任务交接与监控。
研究:AI 将漏洞搜索时间从九个月缩短至 90 小时
据 All About SECURITY 报道的一项研究,AI 将漏洞搜索时间从九个月缩短至 90 小时。
- 报道称漏洞搜索时间从九个月缩短至 90 小时。
- 来源:All About SECURITY。
对 AI 构建者而言,这一报道的时间缩短表明 AI 辅助漏洞搜索可大幅压缩安全研究周期。