搜索结果

无人机视觉学习综述

大模型能不能用来做网络安全，以及大模型自己会不会成为网络安全的软肋，这两个问题被这份综述放在一起回答。它的出发点是一句判断：LLM 正在改变网络安全，使威胁检测、漏洞评估这类环节可以走向智能化、自适应和自动化。

这份综述要回答的是：端到端自动驾驶究竟指什么，它相对于传统模块化管线解决了什么问题，又卡在哪些地方。作者把端到端系统定义为以原始传感器输入产生规划或底层控制输出的全可微程序，并围绕动机、路线图、方法、挑战和未来趋势展开梳理。

大语言模型在文本、图像领域已经证明了自己，但它能不能用来处理时间序列？这份由 Xiyuan Zhang、Ranak Roy Chowdhury、Rajesh K. Gupta、Jingbo Shang 合作完成、来自 University of California San Diego 的综述，正是围绕这个问题展开。

LLM 研究在过去几年密集到何种程度，以及在这种密度下如何仍然看清整体图景，是这份综述要处理的核心问题。摘要直言，LLM 的成功带来了研究贡献的大量涌入，这些工作分布在架构创新、更好的训练策略、上下文长度改进、微调、多模态 LLM、机器人、数据集、评测、效率等不同方向。

多模态大语言模型把文本、图像、音频、视频放进同一个系统，在图文生成、视觉问答、跨模态检索等任务上表现出很强的能力，但它们的复杂度与规模也让「模型为什么给出这个答案」越来越难回答。这份综述处理的正是这个问题：如何让 MLLMs 的决策过程变得可解释、可解读。

前沿 AI 系统正朝着具有变革性的能力推进，衡量和评估这些系统的方式也需要一场平行的变革——这是这份综述的出发点。它要回答的核心问题是：当 benchmark 长期充当估计模型能力的主要手段时，为什么它仍然不足以支撑安全判断。

LLM agents 已经进入虚拟助手、客服机器人和教育工具等场景，能够处理大量数据、与人交互并执行任务。商业价值随之显现，但安全与隐私漏洞也一并暴露。这份综述要回答的是：这些新出现的问题究竟有哪些、如何分类、会影响谁、现有防御做到什么程度、下一步往哪走。

大语言模型在软件工程中已经被反复验证，但它究竟能走多远、又卡在哪里，是这份资料想回答的核心问题。作者指出，尽管围绕 LLMs 在软件工程中的应用已有大量研究和综述，现有文献却普遍缺少对 LLMs 与 LLM-based agents 的清晰区分；

LLM 智能体的评测，是当前一个复杂且尚不成熟的领域。这份由 SAP Labs 的 Mahmoud Mohammadi、Yipeng Li、Jane Lo 和 Wendy Yip 完成的综述，正是要回答一个问题：当基于 LLM 的 agent 从研究原型走向真实应用，我们该按什么框架去系统性地评估它们。