BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 ·

通过变形约束变形来增强模型种类间的对抗迁移能力

💡 原文中文，约200字，阅读约需1分钟。
📝

内容提要

通过研究对抗性攻击，提出了增强对抗性传递性的技巧，包括动量初始化、计划的步长、双重示例、基于频谱的输入变换和集成策略。在 ImageNet 数据集上的实验验证了这些技巧的高效性。该研究提供了实用的见解和技术，以提高对现实世界应用的攻击性能。

🏷️

标签

动量初始化 双重示例 增强对抗性传递性 对抗性攻击 计划的步长
➡️

继续阅读

  1. 把Agent放进真实尺度香港，上交大/新加坡国立大学/美团等提出UrbanGround，测试多模态模型城市探索能力
    该文章介绍了一项关于多模态大语言模型（MLLM）在城市导航中能力的研究。研究团队构建了基于香港真实地理数据的URBANGROUND交互环境，评测了GPT-...
  2. Kimi K3 模型结构（10）：RL 与服务，状态住在哪里
    本文介绍Kimi K3模型在1M上下文强化学习与线上服务中的系统设计，核心是状态管理。KV块和KDA状态通过write-back策略在GPU与DRAM池间...
  3. Kimi K3 模型结构（9）：显存，把 2.8T 塞进 GPU
    本文详解Kimi K3模型训练中的显存优化策略，通过账本形式分析权重、激活等内存占用，并介绍六项关键技术：均衡PP rank激活、统一激活管理器、MoE反...
  4. DeepSeek-V4 模型结构（7）：结构决定系统
    DeepSeek-V4模型采用混合压缩注意力（mHC），将KV缓存分为状态缓存和分页缓存，分别管理滑窗KV与压缩条目。上下文并行通过点对点通信和all-g...
  5. DeepSeek-V4 模型结构（6）：优化器与稳定性，Muon
    DeepSeek-V4采用Muon优化器，通过谱范数最速下降实现逐矩阵正交化，用Newton-Schulz迭代逼近SVD，混合系数提升小奇异值并精确稳定大...
  6. Kimi K3 模型结构（8）：训练并行，一步训练里谁在等谁
    本文介绍Kimi K3模型预训练的并行系统设计，聚焦MoE层expert并行。核心是MoonEP方案：每个rank预留E/R个冗余expert槽位，确保任...
👤 个人中心
在公众号发送验证码完成验证