深度分析
Cobras 框架：將 LLM 激活導向轉化為薛定谔橋數學優化問題
針對大型語言模型推理時的激活導向缺乏理論基礎且易導致分佈外性能下降的問題，研究團隊推出 Cobras 框架。該技術將激活導向建模為超球面上的薛定谔橋問題，利用熵最適傳輸導出嚴謹的對數密度比目標，並實現根據查詢動態調整的導向方向。實驗證明 Cobras 在提升模型真實性與去毒化效果的同時，能有效避免分佈外數據的性能崩潰。
深度分析
針對大型語言模型推理時的激活導向缺乏理論基礎且易導致分佈外性能下降的問題，研究團隊推出 Cobras 框架。該技術將激活導向建模為超球面上的薛定谔橋問題，利用熵最適傳輸導出嚴謹的對數密度比目標，並實現根據查詢動態調整的導向方向。實驗證明 Cobras 在提升模型真實性與去毒化效果的同時，能有效避免分佈外數據的性能崩潰。
深度分析
本研究針對跨作業系統 APT 偵測，提出僅使用來源平台標籤的語意對齊與最佳運輸 (OT) 異常評分框架，將程式行為抽象為自然語言描述並嵌入共享語意空間，同時結合圖結構自編碼與 OT 幾何偏差，於 DARPA 多平台資料測試顯著提升 ROC‑AUC 與 nDCG，證明在無目標標籤情況下可實現跨平台威脅偵測。