M3-Agent框架突破AI长期记忆与跨模态推理瓶颈 该研究针对多模态智能体缺乏人类级长期记忆和推理能力的问题，提出M3-Agent创新解决方案。框架采用实体中心的多模态记忆图结构，通过分层记忆（情景记忆与语义记忆）和并行处理流程（记忆流程与控制流程），实现持续感知、身份统一的信息存储和递进式推理。相比传统方法，M3-Agent支持无限长多模态输入流处理，在M3-Bench等测试集上表现优异，尤其

投毒攻击（poisoning attacks）是指针对机器学习算法训练阶段的对抗性攻击，攻击者通过控制或篡改训练数据、标签甚至训练过程，影响模型的性能或行为。这些攻击已在多个领域得到研究，包括计算机安全（如垃圾邮件检测、网络入侵检测、恶意软件分类）、计算机视觉、自然语言处理以及医疗和金融等表格数据领域。投毒攻击可分为两大类威胁：可用性攻击（Availability poisoning）：导致模型整

与传统 AI 系统相比，Agentic AI 拥有更丰富的推理能力、动态角色分工和复杂的记忆机制。如果你习惯了传统 AI 安全，只需给模型和 API 加权限、做审计、设防注入——Agentic 架构可能会让你大跌眼镜。这种“全链路风险”让我深刻意识到，安全绝不能是事后补救，而必须从设计、开发到部署、运维，每一步都要有针对性的防护措施。相比传统应用，Agentic AI 供应链的管理对象更多、接口更

与传统 AI 系统相比，Agentic AI 拥有更丰富的推理能力、动态角色分工和复杂的记忆机制。如果你习惯了传统 AI 安全，只需给模型和 API 加权限、做审计、设防注入——Agentic 架构可能会让你大跌眼镜。这种“全链路风险”让我深刻意识到，安全绝不能是事后补救，而必须从设计、开发到部署、运维，每一步都要有针对性的防护措施。相比传统应用，Agentic AI 供应链的管理对象更多、接口更

而现有的工具集成推理（TIR）虽然让模型能调用代码解释器，但大多还是靠“老师教”出来的套路（监督微调），模型难以自主创新工具使用方式。你有没有想过，AI不仅能“说”出复杂公式，还能“动手”写代码、纠正自己的错误——甚至比人类设计的流程更聪明？年初的一个框架 ToRL，它把工具调用和强化学习结合起来，把模型从“死记硬背”带入了真正的“自我探索”阶段。ToRL的最大价值不仅在于准确率提升，更在于模型智

投毒攻击（poisoning attacks）是指针对机器学习算法训练阶段的对抗性攻击，攻击者通过控制或篡改训练数据、标签甚至训练过程，影响模型的性能或行为。这些攻击已在多个领域得到研究，包括计算机安全（如垃圾邮件检测、网络入侵检测、恶意软件分类）、计算机视觉、自然语言处理以及医疗和金融等表格数据领域。投毒攻击可分为两大类威胁：可用性攻击（Availability poisoning）：导致模型整

子图异常检测

这项工作旨在为 GAN 开发一种交互式图像操作方法，用户只需点击图像定义一些（handle point，target point）对，然后驱动 handle point 到达它们对应的 target point。

留出法​将数据集 D 拆分为 训练集 S 和测试集 T​正常来说会保留 70% 用作训练，30% 用作测试。采样时采用分层采样（stratified sampling）的方法，即根据样本标签将数据进行分类之后按照对应比例抽取样本​一般来说会重复上述抽取训练测试的步骤 n 次，取最后的平均值当作模型的结果​缺点：取样随机性导致评估结果与模型最终的结果偏差可能会很大交叉验证法​将数据集 D 拆分成 k

在大型语言模型时代，RAG的具体定义是指在回答问题或生成文本时，首先从大量文档中检索相关信息的模型。随后，它利用这些检索到的信息来生成响应或文本，从而提高预测的质量。RAG方法允许开发人员避免为每个特定任务重新训练整个大型模型。