这是一款针对SRC场景的浏览器扩展，自动收集页面敏感信息，支持基础扫描、深度递归扫描和API测试。用户可自定义正则表达式，导出结果为JSON或Excel，并支持Cookie管理和去重过滤。使用时需遵循法律法规，确保安全合规。

本研究针对语言模型中幻觉检测的可靠性问题，评估了现有评估指标在多样性和适用性上的不足。通过对六种幻觉检测指标在多个数据集和语言模型上的大规模实证评估，发现当前指标与人工判断不一致且存在局限，尤其在参数扩展过程中的表现不稳定。同时，基于GPT-4的评估方法显示出最佳效果，提出了需要发展更强健的评估指标以有效理解和量化幻觉的必要性。

Steam 最近下架了恶意软件游戏《狙击手：幻影的决心》，该游戏被发现窃取用户信息。用户应立即删除该游戏并使用反病毒软件进行检测，必要时重装系统。开发商提醒用户不要从 Steam 以外的渠道下载该游戏。

本研究提出了“幻影维基”，旨在解决大型语言模型在推理和检索评估中的数据泄漏问题，生成独特且一致的文档语料库，并提供可扩展的评估框架。

本研究针对大型语言模型（LLMs）在软件供应链中引入潜在脆弱性的幻觉现象进行了分析。通过研究流行编程语言中的包幻觉行为，提出了识别攻击及防御策略的创新性见解，发现包幻觉率受多种因素影响，且新的评估指标为未来提高安全性的模型开发奠定了基础。

本研究针对大型语言模型（LLMs）在自然语言生成任务中产生的虚假内容问题，提出了LLM-Oasis，这是一种用于训练端到端事实评估器的大型资源。通过提取维基百科中的声明并生成事实与虚假文本对，研究表明LLM-Oasis对当前最先进的LLM提出了显著挑战，展示了推动该领域未来研究的潜力。

本文提出了一种基于LLM4DV的创新基准测试方法，通过大型语言模型与提示模板的互动生成测试刺激。实验结果表明，LLM4DV在直接测试模块时优于传统的约束随机测试，但在复杂任务中效率有所下降。框架和模块将在发表后开源。

研究评估了LiDAR与相机融合模型在3D物体检测中的对抗鲁棒性。通过在车辆上添加对抗点，可能导致模型无法检测到车辆。实验表明，即使图像数据不变，操控LiDAR数据仍能欺骗模型。这引发了对自动驾驶安全的担忧，并探讨了对抗点的数量、距离和角度对攻击成功率的影响。研究旨在增强对多传感器鲁棒性的理解，提高自动驾驶的安全性。

本研究比较了医学图像配准中经典优化方法和基于学习的方法的性能，并提出了新的理论框架。研究发现，学习方法在弱监督下具有高保真度注册能力，但对数据分布的变化敏感。因此，需要选择最佳方法的通用策略。

使用任务为基础的图像质量（IQ）评估方法，结合随机物体模型、生成对抗网络和噪声测量数据，本文提出了一种名为 AmbientCycleGAN 的新型方法，能够稳定地建立医学图像中的随机物体模型，并能控制合成物体的图像特征。