通过少样本攻击生成最小对抗样本集实现高效LLM中毒
探讨少样本对抗样本构造技术,用于无微调下跨模型规模的LLM中毒攻击,优化样本生成与触发参数。
Latest Essays
继续沿着时间线阅读近期的工程实践与技术观察。
近期的思考与工程笔记。
探讨少样本对抗样本构造技术,用于无微调下跨模型规模的LLM中毒攻击,优化样本生成与触发参数。
在离散分布网络 (DDN) 中实现自回归采样优化,针对高维分类数据生成,减少计算开销,提供工程参数与监控要点。
面向 AI 工作流编排,利用 Xyflow 的虚拟化渲染、自动边路由和 Svelte 集成,提供工程化参数与监控要点。
探讨离散分布网络(DDN)的工程实践,通过自回归因子化和动态编程实现高维分类数据的 tractable 精确采样与密度估计,提供参数配置与优化策略。
探讨 Coze Studio 的可视化拖拽工具、内置调试控制台与一键部署机制,提供工程化参数与监控要点。
Explore engineering practices for building efficient memory engines using vector embeddings in LLM apps, including real-time context retrieval, persistent storage, and optimization configurations.
Vite+ 通过整合 Vite 的 HMR 开发服务器、Rollup 打包和边缘部署,提供单一零配置管道,简化全栈 Web 应用开发流程。
利用 Claude-Code 在终端中构建 AI 代理,实现代码库导航、任务执行、代码解释和 Git 管理。通过自然语言命令的低延迟集成,提升开发效率。
面向离散多模态数据,工程 DDN 实现精确似然生成,通过 autoregressive 因子化和并行采样提升训练与推理效率。
面向 AI R&D 管道,给出 RD-Agent 代理工作流的实施参数与自动化数据/模型循环的工程化要点。
通过属性驱动的超媒体方式,将基于 Htmx 的应用迁移到 Datastar,实现减少 JS 开销和无缝事件处理,而无需完整重写。提供迁移步骤、示例和最佳实践。
在通用应用中,默认采用多核并行,通过自动任务分解和负载均衡提升性能。详述实现要点、参数配置与监控策略。
针对 IO 密集型应用的多线程场景,分析 Python 3.14 自由线程模式与 JIT 的性能表现,涵盖子解释器、vectorcall 扩展及预热延迟,提供实用参数与监控策略。
探索 Python 3.14 的 free-threaded 模式和 JIT 在 IO-bound 应用中的性能,评估子解释器、vectorcall 扩展及预热延迟,提供工程化参数和监控要点。
探讨Lean中针对任意类型的自动化证明生成工程实践,包括tactic合成机制与验证可扩展性配置要点。
利用 WebGPU 计算着色器在 GPU 线程上并行执行元胞自动机规则,实现浏览器环境中大网格实时模拟,CPU 开销最小化。
探讨 LLM 代理中运行时异常厌恶偏差的工程缓解,包括针对性细调和动态重路由,提供参数、清单和监控要点以提升生产可靠性。
在分布式LLM训练管道中,通过来源图和审计轨迹实现数据血统追踪,预先检测并隔离小规模对抗样本,确保模型完整性。
探讨 Python 3.14 中增强的 vectorcall 协议如何优化 C API 交互,针对数值扩展减少计算密集型任务开销,提供工程参数与实现清单。
通过 data-* 属性和 JSON 事件流,Datastar 实现 htmx 式动态更新,无需 JavaScript 膨胀,支持实时多用户应用。