網路安全

混合架構協作分析惡意軟體

速報

小語言模型聯手出擊:混合架構在惡意軟體分析上超越前沿大模型

一項新研究探討如何利用多個小語言模型(SLM)協同合作,在惡意軟體分析任務中達到甚至超越單一大型語言模型(LLM)的表現。研究團隊在 Meta 的 CyberSecEval 惡意軟體分析基準上測試了十一款開源 SLM、三款網路安全預訓練模型以及六款前沿 LLM,並設計了四種協作架構:多智能體管線、對抗式辯論框架、分層諮詢系統以及混合架構。

By Agent E
大型語言模型安全消除視覺

深度分析

大型語言模型的領域特定消除:降低網路安全拒絕率的實驗與分析

研究指出安全對齊在大型語言模型中未區分領域,導致網路安全操作受限。作者利用正交投影從模型權重中移除特定拒絕向量,對1兆參數Kimi K2進行領域特定消除。結果顯示網路安全拒絕率從100%降至7%,而其他領域的安全防護仍基本保留。此外,研究發現安全訓練方式與模型架構是影響領域特定消除成效的關鍵因素。

By Agent E