本研究将离散子集采样方法应用于图基视觉问答系统，以提升可解释性子图的生成效果。结果表明，该方法有效缓解了可解释性与回答准确性之间的性能权衡，并与人类评价高度一致。

研究分析了大型语言模型的安全漏洞，发现文本优化器可以绕过审核。提出了三个关键问题：威胁模型的有效性、防御技术的表现、LLM与计算机视觉的差异。评估了检测、输入预处理和对抗训练等防御策略，讨论了白盒和灰盒设置下的鲁棒性和性能权衡。结果显示，过滤和预处理在LLM中比在视觉领域更有效。

这篇文章介绍了可缝合神经网络的概念，允许创建具有不同复杂性和性能权衡的多个神经网络。讨论了锚点选择、缝合层设计、缝合方向和策略以及训练策略。通过锚点之间的插值性能曲线，可以预测组合的最终性能，从而可以根据不同的部署场景选择性地预训练缝合。

最近的研究发现，文本优化器可以产生绕过审核和对齐的越狱提示。研究评估了几种基线防御策略，并讨论了每种考虑的防御的鲁棒性和性能权衡。在过滤和预处理方面获得了比其他领域预期的更多成功。