LATIDIA / EXPLORAR
Ciencia e investigación · noticias de IA
Publicaciones relacionadas, con las más nuevas primero y acceso al archivo.
Últimas noticias relacionadas
Desde enero de 2026. Archivo recuperado: 898 publicaciones en este filtro; cobertura parcial de las fuentes accesibles. Una nueva noticia aparece primero sin cambiar la fecha de las anteriores.
Este año · Todo el archivo conservado
Fuga de privacidad a través del análisis mediado por IA de datos de teléfonos inteligentes
arXiv: 2609.28537v1Tipo de anuncio: nuevo Resumen: En los últimos treinta años, la industria de la publicidad en línea construyó un ecosistema de recopilación de datos a gran escala, con el objetivo de rastrear la actividad en línea de un usuario para inferir su
arXiv · cs.CR¿Quién está detrás del arnés? LLM de huellas dactilares a través del comportamiento agénico
arXiv: 2609.28559v1Announce Type: new Resumen: Los LLM operan cada vez más a través de arneses de agentes de codificación que inspeccionan repositorios, invocan herramientas y modifican archivos. Sustituir el modelo detrás de dicho agente puede por lo tanto
arXiv · cs.CRNo lea el registro: la ejecución rastrea los verificadores de contaminación en los agentes de generación de vídeo
arXiv: 2609.28564v1Tipo de anuncio: nuevo Resumen: Los sistemas de generación de video genéticos cierran un bucle entre un generador y un verificador: un LLM planifica tomas, llama a un modelo de texto a video y un juez multimodal decide si el
arXiv · cs.CRDetectar primero, explicar más tarde: Detección de anomalías gemelas digitales de memoria temporal sin entrenamiento con interpretación LLM post-hoc para ICS
arXiv: 2609.29704v1Tipo de anuncio: nuevo Resumen: Los sistemas de control industrial (ICS) están cada vez más expuestos a ataques ciberfísicos que se manifiestan como desviaciones sutiles y en evolución temporal en el comportamiento del proceso. Detectin
arXiv · cs.CROllamaDrama: Diseño e implementación de un Honeypot para medir los ataques a la infraestructura de LLM expuesta
arXiv: 2609.29757v1Tipo de anuncio: nuevo Resumen: La infraestructura de modelo de lenguaje grande (LLM) expuesta públicamente crea una superficie de ataque creciente, pero la orientación en el mundo real sigue siendo poco conocida. Presentamos Ollure, una baja a
arXiv · cs.CRRellenar previamente el canal de razonamiento: Ataques de prefijo de salida en los LLM de razonamiento
arXiv:2609.29775v1 Tipo de anuncio: nuevo Resumen: los modelos de lenguaje grandes (LLM) consumen y producen una sola secuencia de texto; por lo tanto, si se puede agregar texto al comienzo de la respuesta del LLM, es decir, un prefijo de salida, entonces
arXiv · cs.CRHard Stop: Prevención y contención a nivel de núcleo para la ejecución de Rogue Agentic
arXiv: 2609.29808v1Tipo de anuncio: nuevo Resumen: En julio de 2026, un agente autónomo sin restricciones que participaba en un arnés de evaluación de ciberseguridad de IA de frontera violó su sandbox de evaluación, estableció una comunicación externa
arXiv · cs.CRLos agentes de LLM pueden manipular fácilmente sus propios rastros
arXiv: 2609.30266v1Tipo de anuncio: nuevo Resumen: El monitoreo asincrónico, las investigaciones de incidentes y las auditorías de cumplimiento se basan principalmente en los rastros de agentes para reconstruir lo que sucedió. Estos análisis asumen que los agentes de LLM c
arXiv · cs.CRProgressive Skill Discovery as Access Control for Tool-Using LLM Agents: Structural Governance through Role-Scoped Capability Delivery (Descubrimiento progresivo de habilidades como control de acceso para agentes de LLM que utilizan herramientas:
arXiv: 2609.28693v1Announce Type: Cross Resumen: Los agentes del Modelo de Lenguaje Grande (LLM) tienen dificultades para escalar de forma segura cuando se exponen a vastos conjuntos de herramientas empresariales. Proporcionar a un agente acceso a todas las herramientas internas conduce a oversi
arXiv · cs.CRControle el arnés, controle el coste: enrutamiento y gobierno de los agentes de codificación de IA en la empresa
arXiv:2609.28919v1 Tipo de anuncio: Cross Resumen: Los arneses, los productos que ejecutan agentes de codificación de IA, se están multiplicando y las empresas los están implementando a sus empleados: lo que comenzó como pilotos con unos pocos cientos de sea
arXiv · cs.CRJust Ask Jev: Aprendizaje de refuerzo para decisiones calibradas como un detector de disparos cero de fallas de alineación de IA
arXiv: 2609.29429v1Tipo de anuncio: Cross Resumen: Detectores de fallas de alineación pantalla implementó modelos de lenguaje y puntos de referencia de alineación de puntajes. La mayoría son jueces generativos que gastan un pase de decodificación en cada criterio,
arXiv · cs.CRPrivDrift: Auditoría de fugas secretas de usuarios bajo la deriva del tema en conversaciones activas de LLM
arXiv: 2609.30094v1Tipo de anuncio: Cross Resumen: Los modelos de lenguaje grandes operan cada vez más como asistentes persistentes en la configuración orientada al usuario, de sesión compartida y aumentada por herramientas. Cuando los usuarios divulgan información confidencial
arXiv · cs.CRDesenmascarar el aprendizaje de atajos en la detección de intrusiones de IoT: una evaluación forense y multiparadigma de la dependencia de las funciones y la fuga de datos
arXiv: 2609.28725v1 Tipo de anuncio: nuevo Resumen: los sistemas de detección de intrusiones en la red basados en el aprendizaje automático a menudo informan un rendimiento casi perfecto en los puntos de referencia de IoT. Sin embargo, si estos modelos aprenden el ataque generalizable
arXiv · cs.CRDetección de envenenamiento de datos en LLM de generación de código a través de Black-Box, escaneo orientado a vulnerabilidades
arXiv: 2603.17174v2Announce Type: replace Resumen: Los modelos de lenguaje grande (LLM) de generación de código se integran cada vez más en los flujos de trabajo modernos de desarrollo de software. Trabajos recientes han demostrado que estos modelos son vulnera
arXiv · cs.CRAnalizando la dirección errónea defensiva contra los ataques automatizados guiados por modelos en los sistemas de IA genéticos
arXiv:2606.20470v3 Tipo de anuncio: reemplazar Resumen: Los sistemas de IA genéticos dependen cada vez más de componentes de modelos de lenguaje para interpretar instrucciones, procesar datos externos, invocar herramientas y coordinar con otros agentes.
arXiv · cs.CRAutorización criptográficamente verificable para agentes autónomos de IA: una hipótesis falsable y una prueba de concepto
arXiv:2607.21325v3 Tipo de anuncio: reemplazar Resumen: Los agentes autónomos de IA ejecutan cada vez más acciones, invocan herramientas y operan en recursos protegidos con una supervisión humana limitada. Autenticación y autorización existentes
arXiv · cs.CRAlmacenes de claves de hardware para flujos de trabajo de firma de agentes de IA: una arquitectura de cumplimiento MCP de confianza cero
arXiv:2608.06130v2 Tipo de anuncio: reemplazar Resumen: los agentes de IA firman cada vez más confirmaciones de Git, certifican documentos y certifican artefactos de liberación en nombre de sus operadores, utilizando claves privadas que viven en software-accessib
arXiv · cs.CRDistillGuard: Detección de paquetes NPM maliciosos y análisis de la cadena de ataque API a través de gráficos estáticos y destilación LLM
arXiv: 2609.28996v1Tipo de anuncio: nuevo Resumen: El ecosistema Node.js depende en gran medida de los paquetes NPM, y los ataques a la cadena de suministro de software dirigidos a paquetes NPM maliciosos son desenfrenados. El código malicioso desencadena principalmente duri
arXiv · cs.CRLos tokens recuerdan: cuando la tokenización omite la edición y el desaprendizaje del conocimiento
arXiv: 2609.29045v1Tipo de anuncio: nuevo Resumen: Los LLM de peso abierto dan a los usuarios intermedios control sobre la pila de inferencia, pero esta flexibilidad puede socavar las garantías posteriores a la publicación de que el conocimiento sensible ha sido modificado
arXiv · cs.CRReflex-Guard: una barandilla de baja latencia para LLM Prompt Safety utilizando incrustaciones semánticas densas
arXiv: 2608.17556v2Tipo de anuncio: reemplazar Resumen: los modelos de lenguaje grandes (LLM) en aplicaciones del mundo real a menudo enfrentan los riesgos de indicaciones especialmente diseñadas diseñadas para eludir los controles de seguridad. La barandilla existente cumple
arXiv · cs.CREscaneo del arnés: un estudio de repositorio de exposiciones de configuración en agentes de codificación de IA
arXiv: 2609.07360v2Announce Type: replace-cross Abstract: Los agentes de codificación de IA se basan en instrucciones de repositorio, habilidades, ganchos, declaraciones de servidor de herramientas y definiciones de subagentes. Estos artefactos distribuyen tanto el comportamiento como
arXiv · cs.CRImpulsar modelos epidémicos con agentes de IA: el marco de agentes de Epydemix
arXiv: 2609.28692v1Tipo de anuncio: nuevo Resumen: Los agentes de inteligencia artificial basados en modelos de lenguaje grandes proporcionan interfaces de lenguaje natural convenientes para el software científico, pero la confiabilidad no es automática. Aquí
arXiv · cs.AIMemoria del agente con recuperación episódica para la toma de decisiones financieras
arXiv: 2609.28771v1Tipo de anuncio: nuevo Resumen: Los modelos de lenguaje grandes (LLM) han demostrado fuertes capacidades en el análisis financiero y el razonamiento, inspirando avances recientes en los marcos de negociación basados en agentes. Mientras que t
arXiv · cs.AIRECUPERACIÓN: ¿Pueden los agentes reproducir las afirmaciones de los documentos de aprendizaje automático?
arXiv: 2609.28850v1Tipo de anuncio: nuevo Resumen: La reproducción de un documento de aprendizaje automático implica la mayoría de los pasos de investigación, desde la instalación de software y la depuración hasta la ejecución de experimentos, trabajo que los agentes de IA hacen cada vez más. Nosotros en
arXiv · cs.AI