SecureBERT 2.0: Advanced Language Model for Cybersecurity Intelligence
SecureBERT 2.0：面向网络安全情报的高级语言模型
机构 * Cisco AI San Jose（思科AI圣何塞）
AI总结 SecureBERT 2.0通过改进的长上下文建模和分层编码，提升网络安全领域威胁情报的语义搜索、分析和漏洞检测能力。
大厂专区
Cisco（思科）
SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems
SafeTutors: 评估AI辅导系统中的教学安全性
机构 * Eindhoven University of Technology（埃因霍温理工大学） ； Indian Institute of Technology Kharagpur（印度理工学院Khargpur分校） ； Cisco Research（思科研究） ； Taras Shevchenko National University of Kyiv（塔拉斯·谢甫琴科基辅国立大学） ； National Technical University of Ukraine（乌克兰国家技术大学） ； New York University（纽约大学）
AI总结 本文提出SafeTutors基准，评估AI辅导系统在数学、物理和化学中的教学有效性与安全性，发现模型在多轮对话中教学失败率显著上升，且学科差异影响安全措施效果。
SlovKE: A Large-Scale Dataset and LLM Evaluation for Slovak Keyphrase Extraction
SlovKE：一个大规模数据集和LLM评估用于斯洛伐克关键词提取
机构 * University of Vienna, Austria（维也纳大学） ； Faculty of Mathematics, Physics and Informatics, Comenius University in Bratislava（布拉迪斯拉发comenius大学数学物理与信息学系） ； Cisco Systems, Inc.（思科系统公司） ； NaiveNeuron
AI总结 本文构建了包含227432篇科学摘要的斯洛伐克关键词提取数据集，评估了三种无监督基线方法和KeyLLM方法，发现形态学不匹配是统计方法的主要失败模式。
Comments LREC 2026
PLUME: Building a Network-Native Foundation Model for Wireless Traces via Protocol-Aware Tokenization
PLUME：通过协议感知的分词构建无线痕迹的网络原生基础模型
机构 * Cisco Systems（思科系统）
AI总结 PLUME通过协议感知分词技术，为无线痕迹构建网络原生基础模型，实现更高效的序列生成与异常检测。
Comments 14-pages, 802.11 foundation model, matches frontier LLMs with 600x fewer params via protocol-aware tokenization, 5 figures, 12 tables, AUROC>=0.99 for zero-shot anomaly detection
Vision Verification Enhanced Fusion of VLMs for Efficient Visual Reasoning
视觉验证增强的VLMs融合以实现高效的视觉推理
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Cisco Systems（思科系统）
AI总结 本文提出V3Fusion方法，通过融合多种视觉语言模型，利用焦点误差多样性与CKA-focal度量来提升视觉推理性能，实验显示在多个基准上优于现有模型。
Window-based Membership Inference Attacks Against Fine-tuned Large Language Models
基于窗口的细调大语言模型成员推断攻击
机构 * Purdue University（普渡大学） ； Cisco Research（思科研究） ； Cisco Systems（思科系统）
AI总结 本文提出WBC方法，通过滑动窗口和符号聚合技术，有效识别细调大语言模型中的训练数据，显著提升检测性能。
Comments Accepted to USENIX Security 2026. This extended arXiv version includes complete experimental results. The source code is publicly available at: https://github.com/Stry233/WBC/
InfinityStory: Unlimited Video Generation with World Consistency and Character-Aware Shot Transitions
InfinityStory: 无限视频生成与世界一致性及角色感知镜头过渡
机构 * Adobe Research（Adobe研究院） ； KAUST（卡塔尔科技大学） ； University of Oregon（俄勒冈大学） ； University of Memphis（密苏里大学孟菲斯分校） ； Johns Hopkins University（约翰霍普金斯大学） ； Meta AI ； Texas A&M University（德克萨斯农工大学） ； Dolby Labs（杜比实验室） ； Virginia Tech（弗吉尼亚理工大学） ； Cisco（思科） ； University of Maryland, College Park（马里兰大学学院市分校）
AI总结 InfinityStory通过引入背景一致的生成管道和过渡感知的视频合成模块，实现了多主体场景下的长篇视频生成，提升了背景一致性、主体一致性和时间连贯性。
Manifold of Failure: Behavioral Attraction Basins in Language Models
失败的流形：语言模型中的行为吸引盆地
机构 * Amazon Web Services（亚马逊网络服务） ； Cisco（思科） ； Shrewd Security（精明安全）
AI总结 本文提出了一种基于MAP-Elites的方法，用于系统地映射语言模型的失败流形，揭示不同模型的拓扑结构和漏洞分布。
Spectrally Distilled Representations Aligned with Instruction-Augmented LLMs for Satellite Imagery
基于指令增强大语言模型的光谱蒸馏表示用于卫星图像
机构 * La Trobe University（拉特罗布大学） ； Cisco Research（思科研究）
AI总结 SATtxt通过光谱蒸馏和指令增强大语言模型实现卫星图像的光谱感知视觉-语言学习，提升了零样本分类、检索和线性探测性能。
GIFSplat: Generative Prior-Guided Iterative Feed-Forward 3D Gaussian Splatting from Sparse Views
GIFSplat: 生成先验引导的迭代前馈3D高斯点云从稀疏视角重建
机构 * La Trobe University（拉特罗布大学） ； Cisco Research（思科研究）
AI总结 GIFSplat通过生成先验引导的迭代前馈方法，从稀疏视角高效重建3D高斯点云，提升PSNR并保持推理效率。
SwiftNDC: Fast Neural Depth Correction for High-Fidelity 3D Reconstruction
SwiftNDC: 快速神经深度校正用于高质量3D重建
机构 * La Trobe University（拉特罗布大学） ； Australian Institute of Marine Science（澳大利亚海洋科学研究所） ； Cisco Research（思科研究）
AI总结 SwiftNDC通过神经深度校正和稳健几何初始化，实现快速高质量3D重建，减少优化迭代并提升视图合成保真度。
Five Fatal Assumptions: Why T-Shirt Sizing Systematically Fails for AI Projects
五项致命假设：为何T恤 sizing 系统性地失败于AI项目
机构 * Cisco Systems, Inc.（思科系统公司）
AI总结 本文指出T恤 sizing在AI项目中失效的五项致命假设，并提出Checkpoint Sizing作为更人性化的方法。
Human-Aligned MLLM Judges for Fine-Grained Image Editing Evaluation: A Benchmark, Framework, and Analysis
面向细粒度图像编辑评估的人类对齐MLLM评判：一个基准、框架和分析
机构 * University of Virginia（弗吉尼亚大学） ； Columbia University（哥伦比亚大学） ； Vanderbilt University（范德比大学） ； Adobe Research（Adobe研究） ； Dolby Laboratories（杜比实验室） ； Cisco Research（思科研究） ； University of Southern California（南加州大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of Oregon（俄勒冈大学） ； Texas A&M University（德克萨斯大学）
AI总结 本文提出细粒度MLLM评判框架，通过分解十二个可解释因素，提升图像编辑评估的精度与实用性，为研究和改进图像编辑方法提供实用基础。
OptiML: An End-to-End Framework for Program Synthesis and CUDA Kernel Optimization
OptiML：一种端到端的程序合成与CUDA内核优化框架
机构 * Iowa State University, Ames, Iowa, USA（爱荷华州立大学） ； Cisco AI Research, San Jose, California, USA（思科人工智能研究） ； University of Southern California, Los Angeles, California, USA（南加州大学）
AI总结 OptiML通过端到端框架将自然语言意图或输入代码转化为高性能CUDA内核，结合搜索与验证技术实现优化。
MetaSeal: Defending Against Image Attribution Forgery Through Content-Dependent Cryptographic Watermarks
MetaSeal：通过内容依赖的密码水印防御图像归属伪造
机构 * Northeastern University（东北大学） ； Cisco（思科） ； University of California, Riverside（加州大学河滨分校）
AI总结 MetaSeal通过内容依赖的密码水印技术，提供抗伪造、自包含保护和篡改证据，以增强图像归属的安全性。
Comments To appear at TMLR 2026. 26 pages, 14 figures
Capability-Based Scaling Trends for LLM-Based Red-Teaming
基于能力的LLM红队测试规模趋势
机构 * ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； Tübingen AI Center（图宾根人工智能中心） ； Foundation AI – Cisco Systems Inc.（AI基础研究机构——思科系统公司） ； EPFL（苏黎世联邦理工学院）
AI总结 研究通过分析攻击者与目标模型能力差距，揭示了红队测试中攻击成功率随模型能力变化的趋势，提出jailbreaking scaling曲线以预测攻击效果。
Comments Published as a conference paper at ICLR 2026
Membership Inference Attacks Against Fine-tuned Diffusion Language Models
针对微调扩散语言模型的成员推断攻击
机构 * Department of Computer Science, Purdue University（计算机科学系，普渡大学） ； Cisco Research（思科研究）
AI总结 本文提出SAMA方法，通过稳健聚合解决稀疏信号挑战，显著提升对微调扩散语言模型的成员推断攻击效果。
Comments Published as a conference paper at ICLR 2026
FedMOA: Federated GRPO for Personalized Reasoning LLMs under Heterogeneous Rewards
FedMOA: 基于异质奖励的联邦GRPO用于个性化推理大语言模型
机构 * University of Maryland, College Park（马里兰大学 College Park 分校） ； Cisco Research（思科研究）
AI总结 FedMOA是一种联邦GRPO框架，用于在异质奖励下实现个性化推理大语言模型的多目标对齐，通过自适应加权机制和任务感知聚合策略提升性能和个性化效果。
Llama-3.1-FoundationAI-SecurityLLM-Reasoning-8B Technical Report
Llama-3.1-FoundationAI-SecurityLLM-Reasoning-8B 技术报告
机构 * Foundation AI–Cisco Systems Inc.（Foundation AI–Cisco系统公司） ； Yale University（耶鲁大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 Llama-3.1-FoundationAI-SecurityLLM-Reasoning-8B 是首个开源的网络安全专用推理模型，通过结合监督微调和强化学习训练，实现了在网络安全任务上的高性能表现。
Comments 31 pages, 5 figures, 7 tables
Real-Time Robot Execution with Masked Action Chunking
实时机器人执行与遮蔽动作分块
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Central Florida（中央佛罗里达大学） ； Cisco Research（思科研究）
AI总结 REMAC通过遮蔽动作分块学习修正调整，提升机器人在异步推理中的执行可靠性与鲁棒性。
Comments ICLR 2026. Project page at https://remac-async.github.io/
Segment Length Matters: A Study of Segment Lengths on Audio Fingerprinting Performance
片段长度至关重要：对音频指纹识别性能中片段长度的研究
机构 * Data Science Institute Columbia University（数据科学研究所 哥伦比亚大学） ； Dolby Laboratories（杜比实验室） ； Adobe Research（Adobe研究） ； Cisco Research（思科研究）
AI总结 本文研究了片段长度对音频指纹识别性能的影响，发现短片段长度（0.5秒）表现更优，并评估了大语言模型推荐最佳片段长度的能力。
A Layered Protocol Architecture for the Internet of Agents
面向智能体的分层协议架构
机构 * Cisco Research（思科研究）
AI总结 本文提出分层协议架构，通过智能体通信层和语义层实现智能体协作，解决LLMs在内存和计算能力上的限制，推动多智能体系统的扩展。
Large Language Models Encode Semantics and Alignment in Linearly Separable Representations
大语言模型在线性可分的表示中编码语义和对齐
机构 * Yale University（耶鲁大学） ； Foundation AI – Cisco Systems Inc（Foundation AI – 卡西欧系统公司）
AI总结 本研究发现大语言模型通过线性可分的表示编码语义和对齐，提出基于潜在空间的MLP探测器有效提升安全防护。
Comments IJCNLP and the Asian Chapter of ACL
MEDVISTAGYM: A Scalable Training Environment for Thinking with Medical Images via Tool-Integrated Reinforcement Learning
MEDVISTAGYM：一种通过工具集成强化学习进行医学图像思考的可扩展训练环境
机构 * Virginia Tech（弗吉尼亚理工大学） ； UT Southwestern Medical Center（德克萨斯大学西南医学中心） ； Georgia Institute of Technology（佐治亚理工学院） ； Cisco（思科公司）
AI总结 MedVistaGym通过工具集成强化学习提升医学图像分析的代理训练效果。
Large Empirical Case Study: Go-Explore adapted for AI Red Team Testing
大规模实证研究：为AI红队测试适应的Go-Explore
机构 * Amazon（亚马逊公司） ； Dropbox（Dropbox公司） ； Cisco（思科公司）
AI总结 该研究通过Go-Explore评估GPT-4o-mini的安全性，发现种子方差和领域知识对测试结果影响显著，单种子比较不可靠，多种子平均能降低方差，奖励塑造导致探索崩溃和假阳性。
Making MoE-based LLM Inference Resilient with Tarragon
用Tarragon使基于MoE的LLM推理更加健壮
机构 * UC Riverside（加州大学河滨分校） ； Cisco Research（思科研究） ； University of Kentucky（肯塔基大学）
AI总结 Tarragon通过将故障影响限制在个别工作者上，实现了更健壮的MoE推理，显著降低了故障导致的停滞时间。
Can Agentic AI Match the Performance of Human Data Scientists?
代理AI能否匹配数据科学家的性能？
机构 * School of Statistics, University of Minnesota（统计学系，明尼苏达大学） ； Department of Electrical and Computer Engineering, University of Minnesota（电气与计算机工程系，明尼苏达大学） ； Data Science Institute, University of Chicago（数据科学研究所，芝加哥大学） ； Carlson School of Management, University of Minnesota（卡尔森管理学院，明尼苏达大学） ； Cisco Research, San Jose, CA, USA（Cisco研究，加州圣何塞）
AI总结 研究探讨代理AI在处理隐藏潜在变量任务时的表现，发现其在缺乏领域知识时无法匹敌人类数据科学家。
BigCodeArena: Unveiling More Reliable Human Preferences in Code Generation via Execution
BigCodeArena: 通过执行揭示更多可靠的代码生成人类偏好
机构 * Monash University（墨尔本大学） ； CSIRO’s Data61（CSIRO的数据61） ； Purdue University（普渡大学） ； Independent（独立） ； HKUST (Guangzhou)（香港科技大学（广州）） ； UCSD（加州大学圣地亚哥分校） ； UVA（弗吉尼亚大学） ； CNRS, France（法国国家科学研究中心） ； IBM ； Cisco（思科） ； Comenius University in Bratislava（布拉提斯拉瓦康门纽斯大学） ； University of Notre Dame（Notre Dame大学） ； Uber ； Tano Labs（Tano实验室） ； NUS（国立大学新加坡） ； Institute of Automation, CAS（中国科学院自动化研究所） ； Tencent AI Lab（腾讯AI实验室） ； University of Washington（华盛顿大学） ； Nevsky Collective（Nevsky集体） ； ETH Zurich（苏黎世联邦理工学院） ； Detomo Inc（Detomo公司） ； University of Oxford（牛津大学） ； UIUC（伊利诺伊大学香槟分校） ； Google（谷歌） ； NVIDIA ； Singapore Management University（新加坡管理学院） ； ServiceNow Research（ServiceNow研究） ； Hugging Face
AI总结 BigCodeArena通过执行揭示更多可靠的代码生成人类偏好，提出自动评分基准评估LLM编码质量。
Comments Built with love by the BigCode community :)
QUOTA: Quantifying Objects with Text-to-Image Models for Any Domain
QUOTA: 通过文本到图像模型对任意领域的对象进行量化
机构 * University of Amsterdam（阿姆斯特丹大学） ； Cisco Research（思科研究） ； Westlake University（西湖大学）
AI总结 QUOTA通过双循环元学习策略，实现无需重新训练即可在任意领域中高效量化对象数量。
Comments Accepted by WACV 2026
Cisco Integrated AI Security and Safety Framework Report
思科集成AI安全与安全框架报告
机构 * Cisco AI Threat and Security Research（思科人工智能威胁与安全研究）
AI总结 本文提出思科集成AI安全与安全框架，旨在统一分类和操作化AI风险，涵盖安全与安全，适用于威胁识别、风险优先级排序等，具有全面性和扩展性。
