PIPETTE:提升 LLM 智能體抵禦間接提示詞注入攻擊的紫隊測試框架
PIPETTE 是一套提示詞注入紫隊測試框架,透過字典學習和在策略對抗訓練,將紅隊測試發現的攻擊轉化為對 LLM 智能體的防禦提升。它在 AgentDojo 和 ASB 評測中,令防禦模型在靜態攻擊下的攻擊成功率接近零,並能抵禦強適應性攻擊,同時維持接近未設防基線的正常任務效用。
PIPETTE 是一套提示詞注入紫隊測試框架,透過字典學習和在策略對抗訓練,將紅隊測試發現的攻擊轉化為對 LLM 智能體的防禦提升。它在 AgentDojo 和 ASB 評測中,令防禦模型在靜態攻擊下的攻擊成功率接近零,並能抵禦強適應性攻擊,同時維持接近未設防基線的正常任務效用。
UltraTex 提出級聯多視角框架,結合物理知識與視覺語言模型特徵,從單張參考圖像為 3D 網格生成符合物理特性的 PBR 紋理貼圖。框架先聯合預測反照率與世界空間着色法線,再根據生成的反照率、參考圖像及材質語義先驗預測金屬度與粗糙度貼圖。實驗顯示,UltraTex 在視覺保真度、材質準確度及物理合理性方面勝過現有開源和商業方法。
Movie2Game-Bench(M2G-bench)提出一套評估電影改編遊戲的基準,結合一般評估、電影特定評估及三個 GUI 模型玩家的測試,衡量可玩性以外的改編品質。基準涵蓋22部電影及658項來源特定參考項目,並以相同電影評估14個模型;所有模型在可玩序列的內容呈現平均為37.9/100,低於標誌性元素的54.8。
LLM 迭代分析生成影片並要求修正,可提升影片的物理合理性,無須重新訓練影片生成器。PhysLoop 在 PhysLoop-Gen benchmark 的任務成功率為 85%,高於 Seedance 2.5 的 73%;修復有缺陷影片的成功率則為 86.00%,高於獨立基線的 19.33%。其視覺真實感評分為 3.72,低於 Seedance 2.5 的 4.29。
研究提出 Chiron,一個由大型語言模型微調而成的基礎模型,用於測量和預測人類行為,並使模擬人口回應分佈與人類統計數據對齊。訓練及評估資料涵蓋 36 個行為領域、78 項社會科學實驗、288,307 筆個人紀錄、1,411,750 項原子行為決策,以及涵蓋 109 個心理構唸的 99,953 項心理測量評估。
ECA 為搜尋增強語言模型提出循證信用分配方法,以檢索文件對參考答案似然的提升作為僅用於訓練的輔助訊號。
DrawScore 透過工程圖投影評估自動生成的 CAD 模型,利用飽和懲罰衡量投影曲線上的誤差,令局部錯誤的權重僅按線性幅度衰減。相較於體積或表面指標,它能揭示 IoU 評為近乎完美的輸出中的錯誤,並可用作強化學習獎勵;從工程圖生成 CAD 時,亦可在沒有 3D ground truth 或額外獎勵模型的情況下作為測試時驗證器。
RoughCut-Bench 為大型視覺語言模型自動影片粗剪建立基準,並提出引導模型生成結構化剪輯計劃的智能體工作流程。基準涵蓋 101 個視覺案例(831 段原始影片、1,476 個精彩片段標註)及 84 個語音案例;評測顯示,現有模型仍難以產生符合專家剪輯計劃的結果。
研究提出循環語言模型的延遲進入策略,讓新 token 跳過初始 passes,直接進入最後 K 個 passes,利用深層上下文 cache 加快推理。在 Ouro-2.6B(T = 4)上,Wake 於 tau = 0 達到 5.2x greedy-exact 加速;在 Huginn-3.5B 上,T = 64 時達到 8.4x。
新加坡國立大學與南京郵電大學團隊於11月19日在 Nature 發表 NeuroAxis 研究,裝置以葡萄糖供電,並按血糖水平觸發迷走神經刺激。在一型及二型糖尿病大鼠模型中,裝置改善血糖及相關代謝指標;三個月植入測試未見主要器官明顯炎症或壞死。文章指出,臨牀應用前仍需調整裝置尺寸與輸出功率,並確認材料的長期穩定性。
OpenAI 公佈 AI 模型輔助晶片設計的研究進展,模型已用於自研推理晶片 Jalapeño,以及 AMD 下一代 GPU、CPU 的設計優化。
Game2Player 提出協同開發遊戲環境與玩家的框架,大規模收集多元且可驗證的遊戲體驗。團隊建成568款經驗證的網頁遊戲、3,436項任務,收集15.7K條軌跡(307小時遊戲時間),並保留50款遊戲作為 PlayerBench。
Jeveration 將凍結的視覺語言模型改作生成模型,讓 System One 模型以單次前向傳播生成連貫圖像,並支援圖像轉圖像及密集預測。模型生成 512x512 圖像需時 78 ms,速度最高比現有統一模型快 122x。實驗顯示,其圖像質素及密集預測效能具競爭力。
CriticNPU 是一套面向 LLM 推理的 NPU 設計空間探索框架,利用線上校準的機理評估器篩選候選配置並分析運算瓶頸。在 6 個 LLM 工作負載及每個模型 16 個部署配置的測試中,其延遲表現於 74% 的 prefill 設定及 87.5% 的 decode 設定達到最佳或並列最佳。與具競爭力的 DSE 基線相比,CriticNPU 使用的模擬器呼叫約減半。
NVIDIA 團隊提出 SEED,透過減少預填充階段的深層計算及壓縮循環狀態,使 Qwen3.8-Flash-Next 在 GB300 GPU、SGLang 的編碼 Agent 會話測試中,每 GPU 峯值吞吐提升 16%~42%。
香港大學研究團隊研發 PULSAR II 單螺旋槳自主無人機,利用機身自旋配合垂直安裝的激光雷達掃描周圍環境,實現全方向感知。實地測試中,無人機在樹林及地下停車場自主建圖、避障,速度超過每秒6米,毋須依賴 GPS、外部動作捕捉設備或地面電腦。整機重約1.12公斤,實測懸停時間達15分50秒,並在碰撞測試中維持受控飛行。
HKGAI 雪巍教授團隊聯同 Dolby Laboratories,憑空間音訊研究論文獲 ACM MM 2026 最佳論文獎,論文提出 StereoGen 空間立體聲生成系統。系統由 StereoCodec、StereoGen 及 StereoCLAP 三大組件組成,可根據文字描述生成具備空間方位及移動軌跡的立體聲音訊。
IDEA 提出一種面向開放權重 GUI 智能體的逐步推理時審計方法,用於檢測視覺觸發後門。方法比較指令和畫面區域對決策狀態的影響,並以乾淨步驟作對照,提供有限樣本的誤報率保證。Qwen2.5-VL-3B 在五類攻擊上的實驗顯示,IDEA 能在受控誤報率下檢測後門,並為每次警報定位觸發區域,推理開銷僅略有增加。
PACT 將預訓練時序基礎模型的嵌入空間劃分為局部區域,透過殘差傳輸適應新運行條件,同時保留已學習條件的表現。每個新條件只需 5% 標註校準數據,在測試時無須提供條件身份;在四種軸承故障條件的序列中,平均 macro-F1 維持在 0.95 以上。編碼器、分類器及先前學習的傳輸模組保持固定。
NASA 韋布望遠鏡直接觀測到雙星系統 AT 2025abao 中,伴星螺旋下陷並撞入紅巨星核心,為共同包層演化提供直接證據。紅巨星約為7倍太陽質量,伴星約為0.7倍太陽質量;伴星在共同包層內下陷約7年後完成合併。研究成果於2026年11月18日發表於《自然》。
研究團隊提出 STOPD,透過隨機截斷生成並以逆概率加權補償,在準確率與 Vanilla OPD 接近的情況下,令訓練提速 1.3–2.2 倍。實驗中,生成 token 減少 25%–48%。論文和程式碼均已公開。
AWI Research Lab 在 AWI → HTTPS(PHAROS S67/S68)研究中,提出以形式化建模和反例測試取代概率式防護的智能體授權架構。PHAROS S67 通過 291/291 項測試、95/95 次對抗壓力測試,並以 Lean 4.35.0 驗證 27 個抽象定理。
MV2 對座頭鯨歌曲的 Zipf 定律研究進行預先登記重測,發現只根據前兩個聲音元素預測後續元素的馬可夫鏈也能重現該定律。二階鏈的 Zipf 擬合度為 0.939,真實歌曲為 0.930;留出檢查中,二階鏈只在 8 年中的 1 年對未見歌曲有較佳預測。
NGINX 的 CVE-2026-123633 和 CVE-2026-123007 兩個漏洞,可讓未經身份驗證的攻擊者遠端執行程式碼。兩者 CVSS 4.0 評分均為 9.2,並要求受影響伺服器啟用 HTTP/2;CVE-2026-123007 最早影響 NGINX 1.9.5,測試亦在只提供靜態檔案的實例驗證了遠端程式碼執行。
推薦理由:報告拆解兩個 HTTP/2 漏洞的記憶體安全成因與觸發條件,並列出修復版本及暫時緩解方式,呈現漏洞分析如何連接到部署排查。
Agent Trust Infrastructure(ATI)以獨立於框架的安全層,透過 PKI、零信任架構及遠程證明,在無須共用根憑證授權機構的情況下建立跨組織信任。模擬測試涵蓋八個組織、六種框架及 14 種攻擊情境;啟用所有防護機制後,攻擊遏制率由 43% 升至 84%。每次請求的額外開銷約為 174 微秒。
OpenAI 公佈內部研究加速報告,指出編碼智能體可獨立完成更多研究任務,但能力提升因工作類型而異,人類仍是 AI 研發流程的重要部分。對估計需人類工作 2 至 4 小時的任務,無人介入成功率由 3 月的 23% 升至 10 月的 46%;監察訓練運行任務的成功率為 79%,編寫推理及服務堆疊程式碼則為 25%。
推薦理由:報告把智能體使用、研究員工作流程與模型能力指標放在同一框架,並呈現自動化成效在不同任務上的明顯落差。
OpenAI 發佈技術報告《Advancing chip design with OpenAI models》,介紹 AI 模型協助優化自研 Jalapeño 晶片及 AMD GPU、CPU 設計的成果。
研究團隊測試了 892 種股價突破關鍵價位後的交易策略,沒有一種通過全部測試;但在買盤推動突破時,突破當分鐘入場優於同日隨機入場,60 種可檢驗組合的結果方向一致,其中 48 種達到 p below 0.001。團隊正訓練模型,從一分鐘 K 線生成逐筆交易細節,以研究出場規則;生成數據的結果仍須在真實 tick 數據上驗證。
香港中文大學(深圳)與微軟研究院提出多模態建模架構 ConvexLLM,以 C-Gate 將音頻表示映射至語言模型凍結文字詞向量的凸包中。ConvexLLM 在 VoiceBench 11 項任務綜合評測中取得 75.36 分,領先同量級開源權重模型。模型在 BBH 得分為 80.40%,較最強基線高 8.80 個百分點。
一項研究估算,美國403個超大規模數據中心在2024年5月至2025年4月共耗電約82太瓦時,佔全美用電總量1.8%。研究估計約54%的供電來自化石燃料,年二氧化碳排放量達2570萬噸,相當於67座天然氣發電廠的排放量。研究依賴難以獨立核實的商業數據,並對設施用電量及運行容量作出多項假設;論文連結為 https://doi.org/10.1038/s41893-026-01985-7。
Tomorrow.io 的研究顯示,改善大氣初始狀態可提升 Aurora 1.5 和 WeatherNext 2 的 AI 天氣預報,無須更改預報模型。Sky 1 每小時更新初始條件;加入 15 個微波探測器的觀測後,28 個案例的初始水汽誤差降低約 5–8%,112 個 Aurora 1.5 預報在最多五天的各評估時效均降低近地面氣温誤差。
Google Threat Intelligence Group(GTIG)與 Mandiant 於 2026 年 11 月 16 日發布新版 AI Threat Tracker,記錄 exploit_agent 可無需人手介入地自動發現及利用漏洞。
推薦理由:報告呈現漏洞自動化利用如何壓縮修補時間,並列出即時修補、啟用偵測規則及檢查 API 用量等應對措施。
世界經濟論壇指出,企業包容性正從價值宣言轉向嵌入招聘、晉升、薪酬及人工智能等環節的經營系統。約42%的企業完全沒有追蹤或披露包容性指標;87%的高管認為負責任人工智能至關重要,但85%承認尚未做好實施準備。若按目前速度推進,全球經濟性別差距仍需135年才能彌合。
Cohere Labs 提出 NarrativeBench,並評估 14 個大語言模型,發現現有模型尚缺乏可靠引導用戶跨語言瀏覽多元敍事的能力。基準包含 1,333 篇來自 23 種出版語言、涉及 23 個爭議議題的新聞文章,以及 460 個以 Reddit 為基礎的查詢;評估涵蓋 24 種查詢語言。研究指出,資訊可及性會隨查詢框架和語言而異,這種差異可能加劇迴音室、語言篩選泡泡及資訊落差。
MIT研究人員展示一款1.29克撲翼微型機器人,利用機載感測與計算懸停、跟隨軌跡及降落,毋須外部動作捕捉系統。《Science Robotics》論文報告,系統結合多種感測器、估算器和低層控制器,位置精度達釐米級;一次30秒測試中,機器人避開障礙並降落在向日葵上。飛行由操作員透過搖桿提供高層位置指令,機器人仍由外部供電;研究團隊正研發加入相機和電池,以支援自主物件辨識、避障及無繫留戶外飛行。
作者為大眾開展失智症開源項目,研究以 EEG 區分 Alzheimer's 與 FTD,最佳方案準確率為 63.3%,僅略高於猜測。項目採用巢狀交叉驗證,但目前樣本量小且來自單一地點,成果屬研究基準,並非診斷工具。項目徵求更多開放失智症 EEG 數據集、預訓練 EEG 基礎模型及獨立數據集測試方面的協助。
Hugging Face分析272次生產環境監督式微調(SFT)工作,發現CatBoost能更準確地預測端到端耗時。測試涵蓋約7,382 GPU 小時;CatBoost的R²為0.98,平均絕對誤差為1.71小時,中位誤差為0.51小時。相比之下,FLOP估算的R²為0.31,平均絕對誤差為12.41小時。
MIT研究團隊研製出一款搭載機載感測器與運算元件的拍翼微型飛行機械人,可在沒有動作捕捉系統的環境中沿複雜軌跡飛行,並精準降落在向日葵上。研究團隊將軟致動器尺寸增加50%,令機械人的淨升力提高46%,並達到1.9的升力重量比;電子套件重244毫克。示範仍使用外接電源,團隊正研究加入相機及整合電源電子元件與電池,以實現無繫留戶外飛行。
研究提出 State-Aware Fallback Imitation(SAFI),教導視覺語言動作(VLA)模型在執行途中停止被禁止的行為,並以適當的替代反應控制機械人的實際動作。
研究發現,將固定 steering vectors 加到凍結的擴散 Transformer 區塊輸出後,可恢復大部分 RL 後訓練帶來的獎勵增益。在六個經 RL 微調的圖像模型上,向量恢復 90.0-96.3% 的獎勵增益;兩個影片模型則為 89.8% 和 111.9%。