Mid-Harness는 테스트 타임 컴퓨팅 스케일링을 통해 터미널 에이전트의 액션 신뢰성을 향상시킵니다
연구자들은 Mid-Harness를 소개합니다. 이 방법은 모델-하니스 경계에서 후보 액션을 샘플링하고 검증하여 터미널 에이전트의 실행 신뢰성을 높입니다. 이 접근 방식은 하나를 실행으로 전달하기 전에 여러 옵션을 검증함으로써 테스트 타임 컴퓨팅을 할당하며, 생성기와 하니스는 변경하지 않습니다.
Human2Any: 제약 인식 조합 계획을 통한 인간에서 로봇으로의 전달
본 기사에서는 제약 인식 조합 계획을 활용하는 인간에서 로봇으로의 전달 방법인 Human2Any를 소개합니다. 출처에는 추가 세부 사항이나 본문 텍스트가 제공되지 않았습니다.
ShareMMU는 낮은 오버헤드로 신뢰할 수 없는 가속기 간 안전한 주소 변환 공유를 가능하게 합니다
연구자들은 여러 신뢰할 수 없는 가속기가 공유 가상 주소 공간 내에서 사전 번역된 주소를 안전하게 재사용할 수 있는 IOMMU 설계인 ShareMMU를 제시합니다. 이 접근 방식은 큰 공유 번역 사이드체인드 버퍼(TLB)와 관련된 사이드체인드 위험을 완화하면서도 높은 성능을 유지합니다.
FastGen-PDD, 빠른 비디오 및 이미지 생성을 위한 병렬 디코딩 지식 증류 도입
연구자들은 확산 모델과 흐름 매칭 모델의 추론 속도를 가속화하기 위한 단순화된 궤적 기반 방법인 병렬 디코딩 지식 증류(PDD)를 소개합니다. 현재 접근 방식이 최적화가 어려운 변분 점수 지식 증류와 적대적 손실에 의존하는 것과 달리, PDD는 단일 네트워크 평가당 여러 디노이징 단계를 예측합니다.
Nvidia, 양자 회로 오류 조합을 위한 확장 검출기 오류 모델 도입
Nvidia 연구원 N. Horrocks는 안정화 회로와 확률적 파울리 오류를 처리하도록 설계된 확장 검출기 오류 모델(EDEMs)을 소개합니다. 이 모델들은 물리적 회구 구현의 구조를 반영하여 순차 및 병렬로 오류 분석을 조합할 수 있게 합니다.
Onyx, disk-oblivious ANN 검색에서 비용 1.7-9.9배, 지연 시간 2.3-12.3배 감소 달성
연구자들은 state-of-the-art ORAM-ANN 시스템의 설계를 역전시켜 대역폭과 접근 횟수를 균형 있게 맞추는 disk-oblivious 근접 이웃(ANN) 검색을 위한 비용 효율적인 접근 방식인 Onyx를 제안합니다.
Privatar은 안전한 오프로딩을 통해 확장 가능한 프라이버시 보호 다중 사용자 VR을 가능하게 함
연구자들은 아바타 재구성을 헤드셋에서 신뢰할 수 없는 로컬 장치로 오프로드하면서 데이터 가로채기로부터 보호하는 프레임워크인 Privatar를 소개합니다. 이 시스템은 아바타 재구성에 대한 도메인 특화 지식을 활용하여 최소한의 성능 비용으로 증명 가능한 프라이버시를 갖춘 오프로딩을 달성합니다.
NVIDIA, GPU 가속 프라이빗 정보 검색을 위한 GPIR 출시
NVIDIA 연구원들은 격자 기반 프로토콜에 내재된 높은 서버 측 계산 및 메모리 트래픽을 해결하여 GPU에서 프라이빗 정보 검색(PIR)을 가속화하는 시스템인 GPIR을 소개했습니다. 이 시스템은 온칩 데이터 재사용을 최대화하기 위해 연산 수준과 단계 수준 커널 간에 동적으로 전환하는 단계 인식 하이브리드 실행 모델을 사용합니다.
NVIDIA, PPML을 위한 MPC 및 FHE 성능과 비용 특성화
새로운 연구는 프라이버시 보존 기계 학습 추론을 위한 안전한 다자간 계산(MPC) 및 완전 동형 암호화(FHE)의 통합 시스템 수준 특성을 제시합니다. 이 작업은 여러 CNN 및 Transformer 모델에서 두 가지 MPC 변형—산술/이진 공유 변환 및 함수 비밀 공유—과 FHE를 평가합니다.
NVIDIA, AI 에이전트의 간접 프롬프트 인젝션에 대한 시스템 수준 방어 제안
NVIDIA 연구진의 포지션 페이퍼는 신뢰할 수 없는 데이터에 내장된 악성 지시가 위험한 행동을 유발하는 간접 프롬프트 인젝션 공격으로부터 AI 에이전트를 보호하기 위한 비전을 제시합니다. 저자들은 효과적인 방어를 위해서는 고립된 모델 수정을 넘어 포괄적인 시스템 수준 아키텍처로 나아가야 한다고 주장합니다.
ReasoningBomb는 대규모 추론 모델에서 병리적으로 긴 추론을 유도한다
연구자들은 대규모 추론 모델(LRM)의 명시적 다단계 추론이 초래하는 높은 계산 비용을 악용하는 추론 시간 서비스 거부(PI-DoS) 공격을 공식화했다. 그들은 ReasoningBomb를 제시했는데, 이는 강화학습 기반 프레임워크로, 피해 모델을 병리적으로 길고 종종 비종료되는 추론 궤도로 몰아넣는 짧은 자연어 프롬프트를 생성하도록 공격자를 훈련시킨다.
ReasAlign은 추론을 통해 LLM 에이전트를 프롬프트 인젝션으로부터 방어합니다
연구자들은 대규모 언어 모델(LLM)의 간접 프롬프트 인젝션 공격에 대한 안전 정렬을 개선하도록 설계된 모델 수준의 솔루션인 ReasAlign을 소개했습니다. 이 접근 방식은 사용자 쿼리를 분석하고 상충되는 지시를 감지하여 사용자의 의도된 작업의 연속성을 보장하기 위해 구조화된 추론 단계를 통합합니다.