NVIDIA Research — korshunov.ai

来源 · NVIDIA Research

研究人员推出了 Mid-Harness，这是一种在模型-执行器边界采样和验证候选动作的方法，旨在提高终端智能体的执行可靠性。该方法通过在转发一个动作供执行之前验证多个选项来分配测试时计算资源，同时保持生成器和执行器不变。

本文介绍了 Human2Any，这是一种利用约束感知组合规划实现从人到机器人迁移的方法。来源中未提供其他详细信息或正文内容。

研究人员提出了 ShareMMU，一种 IOMMU 设计，允许多个不可信的加速器在共享虚拟地址空间内安全地重用已翻译的地址。这种方法在保持高性能的同时，减轻了与大型共享转换旁路缓冲区（TLB）相关的侧信道风险。

研究人员引入了并行解码蒸馏（PDD），这是一种简化的基于轨迹的方法，用于加速扩散模型和流匹配模型的推理。与当前依赖难以优化的变分分数蒸馏和对抗性损失的方法不同，PDD 在每次网络评估中预测多个去噪步骤。

英伟达研究员 N. Horrocks 推出了扩展检测器误差模型 (EDEMs)，旨在处理具有稳定子电路和随机泡利误差的容错量子程序。这些模型允许误差分析以序列和平行的方式组合，反映了物理电路实现的結構。

研究人员提出了 Onyx，这是一种面向 disk-oblivious 近似最近邻（ANN）搜索的成本高效方法，通过反转当前最先进的 ORAM-ANN 系统的设计，在带宽和访问次数之间取得平衡。

研究人员推出了Privatar，这是一个将头像重建从头显卸载到不受信任的本地设备的同时防止数据拦截的框架。该系统利用头像重建领域的专业知识，以最小的性能成本实现可证明的隐私安全卸载。

来自 NVIDIA 的研究人员推出了 GPIR，这是一种在 GPU 上加速私有信息检索（PIR）的系统，通过解决基于格协议固有的高服务器端计算和内存流量问题来实现。该系统采用了一种感知阶段的混合执行模型，动态切换操作级和阶段级内核，以最大化片内数据重用。

一项新研究提出了针对隐私保护机器学习推理的安全多方计算 (MPC) 和全同态加密 (FHE) 的统一系统级特征分析。该工作评估了两种 MPC 变体——算术/二进制共享转换和函数秘密共享——以及 FHE 在多个 CNN 和 Transformer 模型上的表现。

英伟达研究人员的一篇立场论文概述了保护AI代理免受间接提示注入攻击的愿景，其中嵌入在不可信数据中的恶意指令会触发危险操作。作者认为，有效的防御需要超越孤立的模型修复，转向全面的系统级架构。

研究人员形式化了推理时拒绝服务（PI-DoS）攻击，这些攻击利用了大型推理模型（LRMs）中显式多步推理的高计算成本。他们提出了 ReasoningBomb，这是一个基于强化学习的框架，训练攻击者生成简短的自然提示，使受害模型陷入病态长且通常不终止的推理轨迹。

研究人员推出了 ReasAlign，这是一种模型级解决方案，旨在提升大型语言模型（LLM）针对间接提示注入攻击的安全对齐能力。该方法通过结构化的推理步骤来分析用户查询并检测冲突指令，从而确保用户预期任务的连续性。