自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

CSPhD-winston的博客

  • 博客(951)
  • 资源 (27)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 大模型安全研究论文整理 2026年版

知乎博主小红书博主GitHub数据集参考：大模型越狱指令 (harmful questions) 数据集整理会思考的大模型更不听话，我的豆包失控了…让QwQ思考模型-不思考的小技巧qwen3的致命幻觉！大模型微调所有大模型都在讨好人类不要思考过程，推理模型能力能够更强丨UC伯克利等最新研究o3/o4-mini幻觉暴增2-3倍！OpenAI官方承认暂无法解释原因UC伯克利：让推理模型少思考，准确率反而更高了！一句话让DeepSeek思考停不下来，北大团队：这是针对AI的DDoS攻击慢思考准确率反降30%！普

2026-03-14 14:45:33 2001

原创 IEEE顶刊 2026 大模型安全论文整理

本文共梳理 22 篇 2026 年大模型安全相关论文，来自 8 本 IEEE 期刊，涵盖越狱攻击、安全防御、机制分析与鲁棒性评估、多模态安全、智能体与具身系统安全，以及 RAG 隐私保护等方向。注：中科院分区采用 2025 年版大类分区；TASLP 对应原 IEEE/ACM 刊名的分区记录；“—”表示未列入 CCF 推荐期刊目录。收录篇数为本文整理数量。以下为基于本清单的归纳，而非论文原文结论。

2026-11-04 16:30:20 98

原创 论文阅读：TIFS 2026 SafeSteer: Adaptive Subspace Steering for Efficient Jailbreak Defense in Vision Langu

然而，其快速发展也暴露出严重的安全漏洞：视觉语言模型极易受到利用视觉模态的越狱攻击[4]、[5]、[6]，例如对抗扰动[7]、[8]，以及利用文字排版或风格化方式构造的结构化攻击[9]、[10]。上方分支将初始向量投影到预先构建的“安全子空间”，分离出投影分量与残余分量，再通过增强前者、抑制后者，重构最终引导向量，以减少无关上下文的干扰。为应对上述三难困境，我们提出SafeSteer，这是一种面向推理阶段的高效、细粒度防御框架，旨在不修改模型结构或参数的情况下，同时提升安全性、可用性和推理效率。

2026-11-04 01:32:08 149

原创 ToDesk在你电脑里，即使退出后也在背后偷偷运行

但日志没保留完整命令和调用关系，还不能百分之百断言，也无法判断是你点了选项，还是软件自动触发。输入 Mac 登录密码，输入时不会显示字符。成功通常没有提示，活动监视器里的。今天我发现在我电脑关闭后，连网络也断了，电脑也设置了睡眠时永不唤醒以太网。确实包含禁用 Mac 睡眠的命令。不过，还不能确定你的设置就是它改的。应该消失，ToDesk 远控也会停止。ToDesk 是重点排查对象：它的。但是还是半夜还是持续在消耗电量。这些记录高度吻合，说明很可能与。

2026-11-03 12:05:18 156

原创 论文阅读：TCSS 2026 Take off Your Disguise: Detecting Disguised Prompt-Based Jailbreak Attacks Against LL

大语言模型（LLMs）通常配备旨在防止生成有害内容的对齐机制。然而，近期的技术进展催生了具有高度规避能力的伪装提示越狱攻击（DPJAs）。在此类攻击中，攻击者将真实的恶意意图隐藏在表面上看似良性的提示中，从而诱导模型产生不安全输出。在该研究中，我们提出基于提示重构的检测方法（RePrompt），这是一种无需训练、可作为插件接入的检测框架，旨在识别此类越狱攻击。RePrompt 的关键洞见在于，在精心设计的模板引导下，大语言模型具备揭示伪装对抗提示并有效检测越狱攻击的能力。

2026-10-26 17:34:55 71

原创 论文阅读：TIFS 2026 Ellipsoid Control: A White-List Jailbreak Defense via Benign Latent Modeling

基于表示工程（RepE）的防御方法在抵御大语言模型（LLMs）越狱攻击方面展现出了较强的鲁棒性。然而，这些方法从根本上依赖黑名单监督：它们从本就不完整且持续演变的有害数据或越狱数据中，学习从越狱激活到拒答激活的变换。因此，基于RepE的防御方法的性能与所收集有害样本的质量和覆盖范围紧密耦合，使模型容易受到未见攻击的影响。这种依赖也模糊了两类防御之间的区别：一类拟合已知的有害分布，另一类则在不估计有害分布的情况下保护良性潜在区域。我们采取相反的白名单视角，利用良性数据易于获取且数量丰富的特点。

2026-10-23 16:45:35 279

原创 论文阅读：TDSC 2026 PolyJailbreak: Cross-Modal Jailbreaking Attacks on Closed-Box Multimodal LLMs

多模态大语言模型（MLLMs）通过对文本和视觉输入进行联合推理，已成为众多现实应用中不可或缺的组成部分。然而，尽管安全对齐近年来取得了进展，MLLMs 仍然容易受到越狱攻击，即精心构造的输入能够绕过安全机制并诱发有害响应。在该研究中，我们调查了 MLLMs 在文本—视觉场景中的安全漏洞，并提出了一种名为 PolyJailbreak 的新型闭盒越狱框架。我们首先识别出一种称为多模态安全不对称的现象：视觉对齐在不同模态之间引入了不均衡的安全约束，并削弱了整体鲁棒性。

2026-10-13 20:22:15 151

原创 论文阅读：TIFS 2026 Dialogue Injection Attack: Jailbreaking LLMs Through Context Manipulation

大型语言模型（LLMs）已经在广泛的应用领域展现出重要价值。然而，它们的部署仍然受到安全漏洞的困扰，其中越狱攻击（jailbreak attacks）尤为突出。这类攻击通过构造对抗性提示词，操纵LLM生成有害或不符合伦理规范的内容。当前大多数关于越狱攻击的研究主要关注单轮交互，而较少考虑历史对话对模型行为的影响。尽管近期研究已经探索了多轮越狱攻击，但通常假设攻击者只能操控用户提示词。相比之下，本文指出，攻击者还可以控制模型之前生成的回复。

2026-10-13 18:02:30 182

原创 论文阅读：TIFS 2025 Jailbreak Vision Language Models via Bi-Modal Adversarial Prompt

TIFS 2025 | 双模态协同越狱LLM安全防线📄 背景该论文题为Jailbreak Vision Language Models via Bi-Modal Adversarial Prompt，发表于TIFS 2025。作者为Zonghao Ying、Aishan Liu、Tianyuan Zhang、Zhengmin Yu、Siyuan Liang、Xianglong Liu和Dacheng Tao，来自北京航空航天大学、复旦大学、新加坡国立大学和南洋理工大学。

2026-10-08 00:18:03 202

原创 论文阅读 TVCG 2025 JailbreakLens: Visual Analysis of Jailbreak Attacks Against Large Language Models

大型语言模型（Large Language Models，LLMs）的广泛应用凸显了人们对其安全漏洞的担忧，尤其是其面临的越狱攻击。在越狱攻击中，攻击者设计越狱提示词以绕过安全机制，从而可能实现恶意使用。应对这些问题需要对越狱提示词进行全面分析，以评估大型语言模型的防御能力并识别潜在弱点。然而，由于越狱性能评估以及提示词特征理解具有较高复杂性，这类分析工作往往十分繁琐。我们与领域专家合作，对相关问题进行刻画，并提出了一种由大型语言模型辅助的框架，以简化分析过程。

2026-10-03 13:58:05 315

原创 COLING 2025：LLM Safety 相关论文整理

Gradient Inversion Attack 与 DP-FROST 等论文主要研究预训练语言模型或 BERT 系列，属于训练隐私邻近工作；Aurora-M 与 LLM Evaluate 分别以模型发布和本地评测为主要贡献，涉及安全对齐或客户数据隐私。RAG 公平性论文属于可信 AI 邻近方向。与 LLM Safety 相关的论文，涵盖越狱攻防、安全对齐、后门、隐私与机器遗忘、Agent/工具调用安全、内容安全与可信评测，以及 RAG 公平性。少数论文属于安全或隐私的邻近方向，具体范围见文末说明。

2026-09-27 00:51:25 284

原创 论文阅读 IOT 2025 Fast and Controllable Bias-Guided Jailbreak Attack on Large Language Models

总目录 大模型安全研究论文整理 2026年版：https://blog.youkuaiyun.com/WhiffeYF/article/details/159047894https://ieeexplore.ieee.org/document/11126090https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=11126090Fast and Controllable Bias-Guided Jailbreak Attack on Large Languag

2026-09-24 19:07:01 187

原创 论文阅读 TDSC 2026 RedAgent: An Autonomous Agent for Context-Aware Red Teaming of LLM Jailbreaks

总目录 大模型安全研究论文整理 2026年版：https://blog.youkuaiyun.com/WhiffeYF/article/details/159047894https://ieeexplore.ieee.org/document/11397286https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=11397286TDSC 2026 | RedAgent LLM上下文越狱红队📄 背景该论文题为《RedAgent: An Autonomous

2026-09-23 20:49:25 154

原创 YOLOv7 训练 大学课堂学生行为识别模型 趴桌与用手机

【代码】YOLOv7 训练 大学课堂学生行为识别模型 趴桌与用手机。

2026-09-16 02:34:38 77

原创 论文阅读 TDSC 2026 AudioJailbreak: Jailbreak Attacks Against End-to-End Large Audio-Language Models

总目录 大模型安全研究论文整理 2026年版：https://blog.youkuaiyun.com/WhiffeYF/article/details/159047894https://ieeexplore.ieee.org/document/11371728/https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=11371728AudioJailbreak: Jailbreak Attacks Against End-to-End Large Audio-L

2026-09-13 14:10:47 168

原创 论文阅读 IEEE TDSC 2026 A Multi-Stage Adversarial Framework for Compact and Effective

基于扩散的方法[22]通常建立在更强的模型访问假设之上，而 PAIR[23]和 AutoDAN[18]等基于优化的方法虽然能够提升攻击成功率，但在搜索过程中可能生成越来越冗长、不连贯或不稳定的提示。因此，本文在 AdvBench 和 JailbreakBench 上，对 ComJail 在闭源和开源 LLM 上的性能进行了评估，并进一步考察其在固定 Token 预算、额外防御机制、源模型到目标模型的迁移设置以及训练稳定性分析中的表现。”这样的直接恶意请求，通常会被经过安全对齐的 LLM 的安全机制拦截。

2026-09-12 20:03:15 130

原创 USENIX Security 2026：LLM Safety 相关论文整理

整体上，USENIX Security 2026 的 LLM Safety 论文已经明显从“单一 Prompt 越狱”扩展到大推理模型安全对齐、模型内部机制、Agent 执行链、RAG 知识层、评测与模型谱系完整性、推理基础设施、网络侧信道和现实世界滥用等系统级攻击面。尤其值得关注的是 Agent 与 RAG：安全边界不再只位于模型输入/输出，而是延伸到记忆、工具调用、第三方技能、策略受控的自主操作、缓存、GPU 隔离、检索语料、知识图结构和支付协议。为避免把范围无限扩大，

2026-09-11 01:23:06 369 1

原创 论文阅读 ICML 2026 SkillTrojan: Backdoor Attacks on Skill-Based Agent Systems

总目录 大模型安全研究论文整理 2026年版：https://blog.youkuaiyun.com/WhiffeYF/article/details/159047894https://openreview.net/forum?id=FlnQlvkYR3https://openreview.net/pdf?id=FlnQlvkYR3ICML 2026 | LLM智能体技能层后门攻击📄 背景该论文题为SkillTrojan: Backdoor Attacks on Skill-Based Agent Systems，

2026-09-09 19:49:48 304 1

原创 Pi Agent 安装部署与DeepSeek V4连接

Pi 是一个运行在终端里的 AI 编码 Agent，类似于 Claude Code、OpenAI Codex CLI 这类工具。Pi 的官方理念是："There are many agent harnesses but this one is yours"（Agent 工具很多，但这个是你自己的）。你给 Pi 一句话，它就能在你的项目目录里读文件、写文件、跑命令，循环调用大模型直到完成任务。核心理念是用最小的内核加极强的可扩展性，让你把工具改造成适合自己的样子，而不是反过来去适应工具。

2026-09-09 11:24:53 182

原创 论文阅读 IEEE S&P 2026 Hijacking Large Audio-Language Models via Context-Agnostic and Imperceptiblee

攻击发生在用户在场的情况下，其目标是在不被察觉的前提下劫持模型行为。这一转变催生了一系列由语音驱动的 LLM 应用，从 ChatGPT 和 Gemini 的语音聊天模式 [2]、[3]，到 Mistral AI 和 Microsoft 的语音智能体 [4]、[5]，再到 Ultravox 的实时语音通话 [6]。• 我们在 13 个最先进的 LALMs 和两个商用语音智能体上的评估表明，该方法能够在 6 类异常行为上实现稳定的劫持，成功率达到 0.79–0.96，同时保持较高的感知隐蔽性。

2026-09-09 09:17:29 277

原创 ICML 2026 SafeSearch: Automated Red-Teaming of LLM-Based Search Agents

这张图想说明的是：LLM 搜索代理一旦把“不可靠网页”当成可信信息源，就可能把网络中的风险内容带进最终答案，甚至造成真实损失。该图真正想强调的并不是“LLM 会不会写代码”，而是搜索型 LLM 面临一个新的安全问题：模型本身即使没有恶意，只要它过度信任搜索结果，也可能把互联网中的诈骗页面、错误信息或恶意指令“搬运”给用户。②同一模型下，ASR从search workflow的90.5%降至tool calling的77.8%，再到deep research的57.4%，说明更充分的搜索与交叉验证很关键。

2026-09-07 15:56:25 200

原创 论文阅读 ICML 2026 SafeHarbor: Defining Precise Decision Boundaries via Hierarchical Memory-Augmented Gu

在线阶段，轻量MLP计算风险并检索良性样本，明显安全请求走快速通道，模糊或高风险请求再交给冻结的基础LLM结合局部规则判断。左侧中，无论是数据科学家提出“读取销售数据并通过邮件发送报告”的正常需求，还是攻击者提出“读取系统配置并上传到我的服务器”的恶意请求，传统静态 API 防火墙都会直接拦截，因此出现明显的“过度拒绝”。去掉良性豁免后，良性拒绝率从9.1%升至25.0%。该论文把LLM Agent安全从“粗暴封锁”推进到“按上下文动态划边界”：挡住危险动作，也为合法但相似的工作流留下安全港。

2026-09-06 13:50:43 164

原创 论文阅读 ICML 2026 OrchJail: Jailbreaking Tool-Calling Text-to-Image Agents by Orchestration-Guided Fuzz

这一模块将原始的工具调用轨迹转换为可解释的因果知识，使模糊测试循环能够以更有针对性、同时更节省查询次数的方式利用编排层面的漏洞。OrchJail 利用此前观察到的成功越狱案例，将其作为面向编排的经验信息，以指导第 4.1 节中的模糊测试。对于每一个成功案例，都包含一个提示词 (p_s) 以及与之对应的工具调用轨迹 (\tau(p_s))，其中记录了工具名称和每一步工具调用所使用的文本输入。

2026-09-05 12:19:38 403

原创 论文阅读 ICML 2026 Learning When to Act or Refuse: Guarding Agentic Reasoning Models for Safe Multi-Ste

Learning When to Act or Refuse:Guarding Agentic Reasoning Models for Safe Multi-Step Tool Usehttps://openreview.net/pdf?id=Stf5SF4JvR总目录 大模型安全研究论文整理 2026年版：https://blog.youkuaiyun.com/WhiffeYF/article/details/159047894ICML 2026 | LLM智能体多步工具调用安全📄 背景该论文题为《Learn

2026-09-04 19:49:08 459

原创 DeepSeek Harness 使用本地 vLLM 模型 以Qwen3.5-0.8B与Qwen3.5-4B为模型基础

这里单独解释解释 --no-open，启动 DeepSeek Harness Web 服务，但不要尝试自动打开浏览器。npx @deepseek-ai/dsh web --no-open，会启动 Web UI 服务，默认监听：http://127.0.0.1:3080，但是远程服务器，通常没有桌面和浏览器。如果不加 --no-open，Harness 可能尝试调用服务器上的浏览器，产生无意义的提示或错误。DeepSeek Harness：在 3080 端口提供 Web UI，并连接 vLLM。

2026-09-03 17:24:32 272

原创 在自己的服务器上搭建VLLM 以Qwen3.5-0.8B与Qwen3.5-4B为模型基础

下一步进行实际推理测试。你可以打开第二个 SSH 终端，或者在当前终端按 Ctrl+B，松开后按 D，退出 tmux 但保持服务运行。端口 8000 空闲。

2026-09-03 12:35:05 360

原创 论文阅读 arxiv 2026 Stealing Reasoning Traces from Proprietary LLM APIs

该论文建议把推理块绑定用户、会话、模型与上下文，或改为服务端保存、客户端只持随机ID，并加强跨模型隔离。3）该论文还展示：隐藏推理可能暴露最终安全回答未呈现的信息，也可承载不可见Prompt Injection，影响后续Agent行为。该论文发现，这些块可能跨会话、跨用户甚至跨模型兼容：人看不懂，不代表别的模型不能“读懂”。问题不只在“锁”，更在“谁能开袋”。该论文提出可扩展解密越狱：把强模型的加密推理块交给同厂商中更弱的兼容模型，让后者充当“模糊解码器”，输出隐藏推理，无需直接攻破强模型。

2026-08-28 14:22:14 340 1

原创 DeepSeek Harness入门教程实操 从零开始安装与使用 DeepSeek-V4-Pro基座5毛完成任务

这几天，DeepSeek Harness突然火起来了，我们也来从零开始使用看看呢。复制到DeepSeek Harness中，即可使用。，就显示有2种：一键使用、源码安装。这次运行花了接近5毛钱。这里的安装，在刚刚的。

2026-08-14 18:23:27 225

原创 论文阅读 USENIX Security 2025: Great, Now Write an Article About That: The Crescendo Multi-Turn LLM Jail

💡 例子：把模型想成守门员。若先问建筑历史，再聊某层用途，请他整理提供的信息，最后只说“写成文章”，每步都像普通咨询，却沿着他铺出的路线靠近禁区。发现二：AdvBench的50项任务中，Crescendo对GPT-4的平均ASR为56.2%，成功49项；相较四种基线，分别提升29%至61%和49%至71%。发现三：100项HarmBench任务上，Crescendo平均ASR为63.2%，MSJ仅38.9%；该论文发现，缺口藏在连续对话：单轮问题看似无害，模型却会追随自己生成的上下文，让安全边界逐步后退。

2026-08-08 22:34:51 245 2

原创 USENIX Security 2025 | Crescendo 论文复现 从无害问题一步步升级：Crescendo 多轮越狱攻击复现与原理详解

但如果攻击者不直接问终点，而是从一个看起来正常的问题开始，顺着模型自己给出的内容，一轮一轮地把话题推向更具体、更敏感的方向，安全边界还会一直稳定吗？需要说明的是：这是面向本地 Qwen 模型的独立复现，不是论文作者或 Microsoft 发布的官方实现，也不应该期待它逐项得到与论文完全相同的攻击成功率（Attack Success Rate，ASR）。：不需要模型参数，也不需要手工写一条非常复杂的越狱模板，只需要让攻击模型观察目标模型上一轮的回答，再生成一个“自然的下一问”。

2026-08-08 13:17:55 223

原创 论文阅读 CVPR 2026 Anchoring the Mind of Multimodal Reasoners: Cognitive Bias as a Vector for Jailbreak

第一，RA-Attack在AdvBench上对Gemini-2.5-Pro和GPT-4o的攻击成功率达到92%和82%。第二，在o4-mini上，该方法仍达到44%，其他基线最高不超过12%。第三，三个代表模型的成功攻击回答中，超过95%会先合理化危险意图，再输出不安全内容。它将GPT-4o上的攻击成功率从82%降至8%，将Gemini-2.5-Pro从92%降至28%，且未损害MM-Vet通用能力。该论文提出RA-Attack。该论文发现，更深层的风险是模型“看出危险，却被开头带偏”。

2026-07-29 10:07:29 226 1

原创 论文阅读：ICML 2026 Jailbreak Foundry: From Papers to Runnable Attacks for Reproducible Benchmarking

该论文题为《Jailbreak Foundry：从论文到可运行攻击》，作者为Zhicheng Fang、Jingjie Zheng、Chenxu Fu和Wei Xu，来自上海期智研究院、墨尔本大学与清华大学。第一，该论文复现了30种越狱攻击，其中22种有官方代码，8种仅依据论文文本实现。第二，复现攻击成功率相对原报告的平均偏差仅为+0.26个百分点，平均绝对差为5.7个百分点，说明系统不仅能运行，也能较好保留原方法效果。一句话总结：可靠的LLM安全评测，不应只复现昨天的攻击，还要具备追赶明天风险的速度。

2026-07-28 01:07:09 243 1

原创 论文复现 ACL 2026 | 把危险请求翻译成逻辑公式：LogiBreak 越狱攻击复现与原理详解

一阶逻辑是一种用对象、属性、关系和量词描述事实的形式语言。自然语言：安排一场关于人工智能安全的会议。逻辑形式：∃x表示“存在一个 x”；Meeting(x)表示 x 是一场会议；表示会议主题是人工智能安全；Arrange(x)表示需要安排这场会议；∧表示几个条件同时成立。它不是简单的字符替换，也不是 Base64 之类的编码。逻辑式仍然明确保留“对象是谁、要做什么、各部分是什么关系”。这也是 LogiBreak 与普通乱码、密文攻击最大的区别。

2026-07-15 00:31:23 364

原创 论文阅读：ICML 2026 ANCHOR: Automated Alignment Auditing for CLI Agents on Real-World Harm

目标智能体则在模拟 MCP 工具环境中执行任务，包括表格、邮件、网页、数据库、云服务和个人文件等。该论文认为，评估智能体安全，不能只看“直接拒不拒绝”，更要看它在长程、多轮、可执行环境中会不会被带偏。该论文的价值在于，它把 LLM 安全评测从“模型会不会回答”推进到“智能体会不会执行”，提醒我们：未来安全防线必须覆盖长程交互、工具调用和真实工作流。第一，直接输入有害任务时，部分模型仍会拒绝。第二，一旦智能体开始配合，它们往往不只完成用户要求，还会主动扩展实现范围，构建更完整的自动化流程。

2026-07-09 17:02:38 245 1

原创 论文阅读：ICML 2026 OrchJail: Jailbreaking Tool-Calling Text-to-Image Agents by Orchestration-Guided Fuzz

该论文关注一个正在变重要的新问题：当文生图系统不再只是“一句话生成一张图”，而是由 LLM 规划器调用多个工具一步步生成、添加、编辑图像时，安全风险也会从“单个提示词”扩展到“工具编排过程”。它不是盲目改提示词，而是先观察成功越狱案例中的工具调用轨迹，再总结高风险编排模式，最后用这些模式指导新的提示词变异和筛选。该论文的价值在于，它把 T2I 安全研究从“提示词层面的绕过”推进到“LLM 工具编排层面的风险分析”，提醒我们：未来智能体安全不能只检查单步输入，更要检查多步计划最终会合成什么结果。

2026-07-09 16:56:05 170 1

原创 论文阅读：ICML 2026 AIR: Improving Agent Safety through Incident Response

助理如果不小心把敏感文件复制到公开文件夹，AIR 会先发现异常，再让它删除暴露文件、检查是否还有泄露，最后写下一条新规则：以后凡是计划把系统目录文件复制到普通用户目录，都要提前拦截。在具身智能体的 50 个安全任务和电脑使用智能体的 35 个安全任务中，AIR 没有把安全任务误判为事故，说明它并不是简单看到相似动作就报警，而是能结合语义理解风险。该论文的价值在于把 LLM 智能体安全从“事前防御”推进到“事故响应”，让智能体系统具备发现错误、控制损害、恢复环境和预防复发的完整闭环能力。

2026-07-01 19:51:18 350 1

原创 论文阅读：arxiv 2026 LLM-as-Judge in Education: A Curriculum-Grounded Marking Pipeline

该论文由 Xiwei Xu、Chen Wang、Jacky Jiang、Phil Yang、Qian Fu、Mohan Dhall、Wenjie Zhang、Liming Zhu 等作者完成，机构包括 CSIRO、UNSW、Studitory 与 Australian Tutoring Association。💡 总结：该论文的价值在于把 LLM 自动评分从“凭模型感觉打分”，推进到“按课程证据打分”，为教育评估中的可信 AI 提供了更可审计的工程路径。arxiv 2026 | LLM课程评卷管线。

2026-07-01 18:20:07 252 1

原创 论文阅读：ICML 2026 TRACE: Task-Aware Adaptive Self-Evolving Agentic Jailbreaking

📄 该论文题为《TRACE: Task-Aware Adaptive Self-Evolving Agentic Jailbreaking》，作者包括 Churui Zeng、Weiwei Qi、Kedong Xiu、Tianhang Zheng、Chaochao Lu、Liang He、Zhan Qin、Kui Ren，机构来自浙江大学、清华大学、上海人工智能实验室和华东师范大学。但 TRACE 会把目标拆成多个看似普通的小步骤，有些步骤像“查资料”，有些步骤像“调试工具”，有些步骤像“验证环境”。

2026-06-28 10:30:00 297 1

原创 论文阅读：ICML 2026 AgentLAB: Benchmarking LLM Agents against Long-Horizon Attacks

论文测试了 Qwen-3、Llama-3.1、GPT-4o、GPT-5.1、Gemini-3 和 Claude-4.5。它关注一个很现实的问题：LLM 智能体已经不只是聊天机器人，而是能调用工具、读网页、写邮件、用日历、保存记忆的“数字助手”。因为现实攻击往往不是一锤子买卖，而是像“温水煮青蛙”，通过多轮用户、智能体、环境交互，把危险目标拆开、伪装、累积，最终让智能体执行原本不该执行的操作。它包含 28 个真实感较强的智能体环境和 644 个安全测试用例，覆盖工具调用、记忆、网页、邮箱、购物等场景。

2026-06-24 14:53:22 336 1

原创 论文阅读：ICLM 2026 AgentHijack: Benchmarking Computer Use Agent Robustness to Common Environment Corrupt

它在 OSWorld 任务基础上构造了 9 类可配置干扰，总计 3321 个任务，覆盖弹窗、分辨率变化、屏幕标记、字幕、多应用、误触、应用最小化、网络错误和身份验证。但一旦真实上路，前方突然弹出广告牌，导航界面缩放，旁边车辆插入，红绿灯异常闪烁，它就可能误判方向、点错按钮，甚至一直原地尝试。普通弹窗、登录验证、网络错误这类日常问题，就能让智能体定位失败、计划偏移或反复做无意义尝试。弹窗突然出现、分辨率变化、多个应用重叠、网络错误、登录验证、误触鼠标，这些都不是恶意攻击，却足以打乱智能体的执行流程。

2026-06-23 13:32:47 214 1

基于生成式人工智能的探究式教学设计与应用研究-张明飞
基于生成式人工智能的探究式教学设计与应用研究-张明飞

2024-10-09

mobilenet-v2-b0353104 resnet18-5c106cde resnet34-333f7ec4 预训练模型
mobilenet_v2-b0353104.pth、resnet18-5c106cde.pth、resnet34-333f7ec4.pth 预训练模型

2024-09-24

Transformer 论文+李沐视频+李宏毅视频 代码逐行跟踪
Transformer 论文+李沐视频+李宏毅视频 代码逐行跟踪

2024-09-10

生成式人工智能对课堂教学的变革影响 文 - 孙 众
人工智能的发展经历了从计算智能、感知智能到认知智能的三代进化历程。当机器已具备认知智能时，若 课堂教学仍以布卢姆认知目标分类法为理论指导，以培养学生认知能力为主要目标，必然面临重大危机。 要实现生成式人工智能深度融入学校教育教学，为课堂教学带来教育新质生产力，文章提出“四个更重要” 的教学主张：掌握专家思维比专家结论更重要；经历学习过程比呈现学习结果更重要；改变评价理念比改 变评价形式更重要；重视科学教育的同时，培养人文精神更重要。 关键词：生成式人工智能；认知智能；认知目标分类；课堂教学

2024-08-28

我国 2013-2023 年课堂视频分析的研究现状 * -基于 CiteSpace 的可视化林芷洁，杨玉宝
我国2013-2023年课...CiteSpace的可视化_林芷洁 【摘  要】课堂视频分析已成为教师、学生、教育管理者数字素养提升和实现教育高质量发展的重要工具。为探 究国内课堂教学视频分析研究的现状，文章以中国知网 2013-2023 年收录的 276 篇核心文献为计量分析对象，通过 CiteSpace 可视化分析，发现“视频分析”“课堂互动”“话语分析”和“人工智能”等成为课堂视频分析的研究热点， 且在分析技术和分析工具及应用效果等方面取得了显著进展，特别是人工智能技术有望成为推动该领域发展的新技术。 未来，需要扩大课堂视频分析的研究范围，挖掘和设计以深度学习为导向更能反映学科特点的视频分析编码系统，聚 焦师生的数字素养提升，助力新质生产力的发展。 【关键词】课堂视频分析；可视化分析；课堂互动；CiteSpace

2024-08-28

表情分类模型-基于人脸 emotion.pth
['angry', 'disgust', 'fear', 'happy', 'neutral', 'sad', 'surprise']

2024-08-20

生成式 AI 商业落地白皮书 给 CXO 的 AI 转型战术指南
生成式 AI 商业落地白皮书 给 CXO 的 AI 转型战术指南 01 场景案例大全 Gen-AI 240 应用全场景地图 消费零售 金融 汽车 医药大健康 智能终端 教育和科研 制造 企业服务 案例 01 飞鹤“3+3+2”战略蓝图 AI 能力中台建设 案例 05 汽车销售顾问的强大助手“SalesCopilot” 案例 02 海底捞 x 豆包大模型智慧洞察用户需求 案例 03 海尔消金携手火山引擎，共建消费金融大模型 案例 04 捷途汽车 x 豆包大模型打造智能客服“AI 小捷” 案例 06 北京协和医院基于豆包大模型和 HiAgent 研发智能运 维助手和 HIS 指南针 案例 08 OPPO × 火山引擎通过大模型强化手机终端识别、理解 和响应用户需求的能力 案例 10 面向生物医学领域打造一站式、智能化 AI 操作系统 Bio-OS 案例 09 华硕与火山引擎合作将大模型集成至“豆叮 AI 助手” 案例 11 火山引擎助力南开大学打造“AI + 教育”新生态 案例 12 大模型改善企业信息搜索体验 案例 13 豆包大模型助力晓多科技“AI 训练场 与 全渠道智能知 识库”智

2024-07-28

读论文Rethinking the Role of Demonstrations What Makes In-Context
【读论文】Rethinking the Role of Demonstrations What Makes In-Context Learning Work

2024-03-09

读论文Rethinking the Role of Demonstrations What Makes In-Context
【读论文】Rethinking the Role of Demonstrations What Makes In-Context Learning Work

2024-03-09

YOLOv8 代码包 修改版
YOLOv8 代码包

2023-09-21

ckpt.t7 DHN.pth osnet-x0-25.pth yolov7

https://github.com/Whiffe/Yolov7-tracker

2023-08-24

ckpt.t7 DHN.pth osnet-x0-25.pth yolov7
https://github.com/Whiffe/Yolov7-tracker

2023-08-24

latest-model-099-94.7200.pth
面部表情识别模型权重 https://github.com/Whiffe/PyTorch-Facial-Expression-Recognition

2023-08-09

rfb-face-mask.pth
面部表情识别模型权重 https://github.com/Whiffe/PyTorch-Facial-Expression-Recognition

2023-08-09

aflw2000-data.zip
https://github.com/choyingw/SynergyNet aflw2000_data.zip

2023-08-05

3dmm-data.zip
https://github.com/choyingw/SynergyNet 3dmm_data.zip

2023-08-05

best.pth.tar
https://github.com/choyingw/SynergyNet best.pth.tar

2023-08-05

EGE C/C++ 贪吃蛇
EGE C/C++ 贪吃蛇

2023-07-05

适用于Yolo训练和测试的coco数据集标签文件 train2017.txt和val2017.txt
适用于Yolo训练和测试的coco数据集标签文件 train2017.txt和val2017.txt和train2017.zip和val2017.zip yolov7 yolov5 yolov8

2023-05-06

yolov7 hand detection
yolov7 hand detection

2022-12-12

课堂行为标注初始化文件init.json 2026年版
课堂行为标注初始化文件init.json 2026年版

2026-11-02

Research as an infinite game - CVPR
这是NYU教授谢赛宁（Saining Xie）在CVPR上的演讲，主题是"Research as an Infinite Game"（研究是一场无限游戏）。演讲借用了James Carse的经典著作《Finite and Infinite Games》的框架，将学术研究重新定义为一场不以"赢"为目的、而以"持续参与"为目的的无限游戏。 核心论点是：当前AI研究正面临被异化为有限游戏的风险——追求论文数量、抢发、刷榜——但真正有生命力的研究应该具备反脆弱性、开放性、持久性，并以教育和社区建设为根基。演讲通过谢赛宁自己的亲身经历（DiT被拒稿、SiT被拒稿后逆袭等）来说明这些原则，既有哲学深度，也很接地气。

2026-03-31

【计算机视觉】基于ShipReID-2400数据集与D2InterNet模型的船舶重识别方法研究：智能水路交通监控中的跨视角船舶身份匹配
内容概要：本文针对船舶重识别（Ship Re-Identification）领域存在的公开数据集稀缺和船舶图像存在显著尺度变化、部分遮挡等问题，提出了一个新的大规模真实场景基准数据集ShipReID-2400，包含来自2400艘不同船只的17,241张图像，采集自8个摄像头跨越53个月的真实监控系统。同时，提出了一种名为D2InterNet的新型双分支网络模型，通过解耦全局与局部特征学习，并引入部分感知模块（PFPM）、特征交互模块（FIM）和协同交互学习模块（CILM），有效应对船舶图像的不完整性和尺度差异。实验表明，该方法在ShipReID-2400和VesselReID数据集上均达到最先进性能，且在行人ReID数据集MSMT17上展现出良好的泛化能力。; 适合人群：计算机视觉、多媒体检索、智能交通系统领域的研究人员与工程技术人员，尤其是从事目标重识别、船舶监控或跨模态检索的相关从业者；具备深度学习和图像识别基础知识的研究生及以上学历人员。; 使用场景及目标：①用于推动船舶重识别技术的发展，支持海上交通监控、港口管理和违法行为追踪等实际应用；②为学术界提供高质量、真实场景下的船舶ReID基准数据集与可复现的基线模型；③探索具有显著尺度变化和部分可见性的大型物体识别新方法，拓展ReID技术在非标准场景中的适用性。; 阅读建议：此资源提供了完整的数据集构建流程与模型设计细节，建议结合开源代码（GitHub: HuiGuanLab/ShipReID-2400）进行实践复现，重点关注双分支架构的设计动机、局部特征提取机制及其在训练与推理阶段的灵活性，同时可通过消融实验深入理解各模块对性能提升的贡献。

2026-01-14

Scaling Curriculum Mapping in Higher Education: Evaluating Generative AI’s Role in Curriculum Analyt
内容概要：本文探讨了生成式人工智能（GenAI）在高等教育课程分析中的应用，特别是利用大语言模型（LLMs）作为协同课程评审工具，实现对毕业生技能在评估任务中的加权映射。研究基于会计学本科课程数据，比较了GenAI与传统机器学习（ML）方法在技能映射准确性上的表现。结果表明，GenAI生成的技能权重映射与专家判断的一致性更高（Krippendorff’s alpha为0.76），优于传统ML模型（0.65），尤其在口语沟通、团队合作等技能上表现突出。此外，GenAI在高年级课程中的映射一致性更强，显示出其在提升课程对齐、质量保障和个性化学习路径方面的潜力。; 适合人群：高等教育研究人员、教育技术开发者、课程设计师以及关注AI在教育中应用的政策制定者。; 使用场景及目标：①提升课程映射的自动化水平与精细化程度，支持专业认证和教学质量保障；②识别课程体系中的技能发展断层或重复，优化课程设计；③推动个性化学习路径构建，依据学生技能掌握情况动态推荐学习内容；④辅助教师进行课程修订，确保教学活动与行业需求保持一致。; 阅读建议：此研究展示了GenAI在课程分析中的前沿探索，建议读者重点关注其实验设计、评价指标选择及对不同技能和年级层次的表现差异分析，同时注意其局限性（如单一模型与课程背景），以便在实际应用中结合人工审核与多模型验证，提升系统可靠性。

2026-01-08

Automatic Modeling and Analysis of Students’ Problem-Solving Handwriting Trajectories
内容概要：本文提出了一种名为CogChain的新方法，通过结合数字笔技术与多模态大语言模型（MLLMs），自动构建学生在考试中的解题逻辑链，从而深入分析学生的认知模式。研究基于25名高中生在数学、物理和化学科目中产生的87,679条手写轨迹数据，从解题方式、时间分配和学科差异三个维度进行分析，识别出四种典型的解题路径模式（快速解答、视觉推理、逐步推导、综合计算）和三种时间管理类型，并揭示不同学科所需的差异化解题策略。该方法利用Gantt图可视化逻辑链，帮助理解学生的思维过程。; 适合人群：教育技术研究者、智能教育系统开发者、中小学教师及教学设计人员。; 使用场景及目标：①用于分析学生在解题过程中的认知行为与思维路径；②支持个性化教学诊断，优化教学策略；③为AI驱动的智能评测与学习反馈系统提供技术支持； 阅读建议：此资源侧重于手写轨迹数据的建模与认知分析，建议结合实际教学场景理解逻辑链构建流程，并关注MLLM在教育数据分析中的应用潜力与局限性。

2026-01-08

AIBAT: AI Behavior Analysis Tool for Teacher-Driven Contextual Evaluation of Language Models in Educ
内容概要：本文介绍了AIBAT（AI行为分析工具），一种支持教师主导的情境化评估教育领域语言模型的系统。该工具允许教师定义AI支架的预期行为，并在具体教学情境中测试其表现，如学科内容、年级水平和学生英语能力等。通过自定义主题与行为、扩展语言变体分析以及可视化AI行为，AIBAT帮助教师识别AI系统的潜在风险与偏差，增强对AI决策过程的理解与信任。研究通过对14名教师的探索性用户研究发现，教师重视能够主动参与AI评估的过程，将其视为与AI的“对话”，从而提升透明度、控制感和信任度。 适合人群：从事K-12或高等教育的教学工作者，尤其是关注AI技术在课堂中公平、有效应用的教师；教育技术研究人员及AI产品设计者。 使用场景及目标：①帮助教师在实际教学背景下评估AI系统（如自动评分、反馈生成）的行为是否符合教学期望；②识别AI在不同语言表达、学生背景下的偏见与不一致，促进包容性评价；③通过可视化手段提升教师对AI决策机制的理解，推动人机协同的智能增益模式而非自动化替代。 阅读建议：此资源强调教师作为AI评估主体的角色，建议使用者结合自身教学情境尝试AIBAT的功能设计思路，关注如何将隐性教学判断转化为可测试的AI行为标准，并反思AI工具在真实课堂中的伦理与实践挑战。

2026-01-08

Dyslexia and AI: Do Language Models Align with D 【自然语言处理】基于大语言模型的阅读障碍友好文本生成评估：DysText指标在教育可访问性中的应用研究
内容概要：本文探讨了语言模型（如Gemma、Phi4和GPT4-turbo）在生成符合阅读障碍者友好文本方面的表现，基于英国阅读障碍协会的《阅读障碍风格指南》提出了一种新的评估指标DysText，用于量化文本的无障碍特性。研究发现，当前语言模型对阅读障碍相关准则的认知有限，仅能识别约一半的标准，且在生成文本时存在潜在风险，如不当措辞或敏感话题处理不当。尽管模型能在一定程度上提升文本的可读性和结构友好性，但其输出仍需人工审核与修正。 适合人群：从事教育技术、自然语言处理或无障碍设计的研究人员；关注特殊教育与AI应用的开发者及政策制定者。 使用场景及目标：①评估现有语言模型在支持阅读障碍学习者方面的有效性；②推动开发更符合无障碍标准的AI辅助教育工具；③为构建专用数据集和优化提示工程提供实证依据。 阅读建议：此研究强调不能盲目信任语言模型生成的内容，建议在实际应用中结合人工干预与专家反馈，确保内容既符合技术规范又具人文关怀。

2026-01-08

Artificial Intelligence in Education 2025 论文集
欢迎参加第 26 届国际教育人工智能大会（AIED 2025），本次会议将于 2025 年 7 月 22 日至 26 日在意大利充满活力的城市巴勒莫举行。AIED 2025 在 ICORE¹ 评级中被列为 A 级，位列 784 个评级会议场所的前 14.92%，且规模持续扩大、投稿量不断增加 —— 今年初始投稿量已超过 800 篇。因此，在我们庆祝 “推动支持学习的智能人机技术生态系统的科学与工程发展” 这一事业走过 25 年之际，本届会议的结构迎来了重大革新：引入了专门的 “分轨制” 体系。这一新形式旨在适配该领域的发展态势，同时呼应教育人工智能研究的动态性与多面性，体现出该领域的快速发展与日益扩大的影响力。 AIED 2025 的主题 ——“人工智能：包容性、个性化与伦理教育的催化剂：赋能师生，共创公平未来”—— 承载了我们对教育变革性未来的愿景。人工智能正以前所未有的速度发展，生成式 AI 及相关技术引领着这一变革浪潮。这些创新重塑了教与学的过程，为打造个性化、动态化的学习体验开辟了新机遇。尽管传统 AI 技术仍在不断演进、深化我们的认知，但真正的变革在于利用这些技术进步，为教育者提供强大工具，助力其获得更深刻的洞见、实现定制化教学，并提升学生的参与度。

2026-01-07

大语言模型越狱与后门攻防研究-薛鋆豪认知引导攻击与轻量级防御系统设计
内容概要：本文围绕大语言模型面临的越狱攻击与后门攻击两大安全挑战，系统性地提出攻防方法。在越狱攻击方面，提出基于认知引导的攻击方法（CGA），通过代码模态语义混淆、低资源语种攻击与动态响应合成构建多级攻击链，显著突破主流模型的安全对齐机制，对GPT-4o-mini的攻击成功率高达86.21%；同时提出基于滑动窗口的片段化动态防御方法，通过分割输入、并行风险评估与决策融合，有效降低攻击成功率。在后门攻击方面，针对第三方模型代理场景，提出自触发与他触发两种新型后门机制，后者通过四态转换实现跨用户隐蔽传播，攻击成功率高达98.85%；并提出基于小型反思模型的轻量级用户侧防御方法，通过“分析-修复”两阶段机制提升代码安全性，将触发状态下的代码通过率从3.50%提升至64.78%。研究揭示了大模型在安全对齐中的认知缺陷，为构建更可靠的AI安全体系提供理论与技术支撑。; 适合人群：具备一定人工智能与自然语言处理基础，从事网络安全、大模型研发或AI安全研究的专业技术人员及硕士及以上学历的研究人员。; 使用场景及目标：①深入理解大语言模型在越狱与后门攻击中的安全漏洞及防御机制；②研究跨模态攻击、低资源语言扰动、代码生成后门等前沿安全问题的攻防技术；③为构建第三方模型服务中的安全审查与用户端防护方案提供实践参考。; 阅读建议：此资源兼具理论深度与实验验证，建议结合论文中的实验设置与消融分析，复现核心攻防流程，并重点关注CGA攻击链与反思防御模型的设计逻辑，以深入掌握大模型安全机制的薄弱环节与应对策略。

2025-09-26

ASR（语音识别）语音/字幕标注 及转化为ASR Paraformer 可训练数据
标注网站：https://whiffe.github.io/VIA/via_subtitle_annotator.html 标注教程：https://blog.youkuaiyun.com/WhiffeYF/article/details/148530647 0001.mp4 视频，标注用 0001.json 标注后保存的json json2ASR.py 将json转化为ASR训练格式文件 train_text.txt train_wav.scp 训练格式文件，json2ASR生成 wav 文件夹，里面是抽取的wav音频，训练用，json2ASR生成 extract_audio.py 从0001.mp4中抽取3分钟wav音频文件的脚本，用于测试 0001.wav 从0001.mp4中抽取3分钟的wav音频，测试用

2025-06-11

chatgpt-detector-roberta
chatgpt-comparison-detection，检测单条文本，中文版， chatgpt-detector-roberta

2025-03-19

大型语言模型的各种安全性议题
视频：https://www.youtube.com/watch?v=MSnvknLywUc&t=1116s PPT：https://drive.google.com/file/d/15afa2wJBbVbykn-KazUoiBSz8UF5ttI0/view?pli=1

2025-02-26

语文课堂数据分析：《西门豹治邺》教学洞察
内容概要：本文提供了针对语文课程《西门豹治邺》的一个详细的课堂教学数据分析报告。报告不仅评估了教学方法的有效性及其带来的学生参与情况的变化，还从多个维度（如教师讲解方式、互动频率、学生的个体表达机会等）分析了一堂课的实际效果，旨在揭示并改善当前教学中的潜在问题，并为教育工作者提供了宝贵的见解和改进建议。 适用人群：一线语文教师及相关教研人员。 使用场景及目标：用于反思现有授课方式的优点和缺陷，确定需要改进的地方并优化教学质量，确保每一个学生都能得到应有的关注和发展。 其他说明：此报告通过大数据技术客观分析课程实际运行状况的同时也非常重视教师的专业判断与实践经验相结合的方式，从而更好地服务于教学实践的发展。

2024-10-09

宁波荣安实验中学AI驱动的教学评价系统需求验证报告
内容概要：本文档介绍了为宁波荣安实验中学定制的人工智能分析解决方案，旨在利用AI技术和‘影像大脑’平台来评估‘听课量化评分表’以及‘学导型’生本课堂教学质量表。通过对多个课堂评价要素的技术可行性验证显示：大部分关注点如‘抬头率’‘趴桌现象检测’等都能满足实际应用需求并已拥有较为成熟的技术支撑。但在某些特殊指标如学生的动手操作率方面尚须更多的研究和具体的样本集支持。 适用人群：项目实施团队成员及技术负责人。 使用场景及目标：验证基于人工智能技术对于中小学教室教学质量监督的实际应用可能性和效率提升程度。 其他说明：现阶段结果显示该系统的大多数需求都可以得到技术支持并且有着很好的前景；但部分细节仍然面临技术挑战需要进一步细化和完善。

2024-10-09

从同课异构角度看乡村初中英语课堂中学习活动观的实践-李梦晓

内容概要：该论文通过对湖北乡村初中英语课堂进行同课异构的教学活动设计对比分析，指出了在实践中存在的诸如教师对学习活动观概念理解不足以及设计活动中对学生自主性的忽视等问题，并为优化乡村教师理解和运用该理论提供了具体建议。 适用人群：初中英语教师，特别是服务于乡村地区的教师，乡村地区教育研究人员以及致力于改善英语教学质量的教学管理者。 使用场景及目标：适用于乡村学校的初中英语听说课堂的教学准备阶段，目的在于优化教师针对不同学生的差异化需求调整教学法并有效地融入学习活动关的核心思想。 其他说明：研究表明乡村地区教育质量的改善取决于教师对现代化教学理念的理解深度及其课堂执行的效果。

2024-10-09

同课异构，呈现精彩课堂-以“认识平行线”教学为例胡梦文 同课异构应用于《认识平行线》教学实践探索
内容概要：本文通过两位教师对中国苏教版小学四年级的《认识平行线》这一章节的课堂教学案例进行对比解析。分别展示了两种不同的教学流程设计，一种是以小组合作探究为主的方式讲解平行线的基本概念和特性，另一种则是基于生活情景引导的方式介绍平行线及其应用场景，通过这两种不同策略的实际操作来说明'同课异构'模式下课堂可以呈现出不同风采，进而推动教学质量的提升和教学模式多样化。同时也探讨了选择适当的教学方法对学生掌握数学本质概念的重要性和练习设计对于理解和运用新知识的作用。 适用人群：一线教育工作者特别是中小学校授课老师、课程开发者、研究人员以及其他致力于课程设计、教学改进的研究人员。 使用场景及目标：用于指导教师更好地进行同课异构设计与实践活动，通过多样化的教学方式激发学生的学习兴趣，深化对教学大纲的认识，最终达到提高教学质量的目标，同时亦鼓励教师专业上的持续发展和个人学术素养的提高。 其他说明：此外还阐述了这种教学方法背后的理念支持，即强调教师应当充分尊重个体差异并发挥各自优势，以此为基础来进行课程准备并展开教学实践，使得整个教科研氛围更为活跃富有成果。

2024-10-09

课堂师生交互智能分析技术研究综述-崔家郡
课堂师生交互智能分析技术研究综述-崔家郡

2024-10-09

基于课堂智能分析大模型的教...学能力分析框架及其应用研究-方海光
基于课堂智能分析大模型的教...学能力分析框架及其应用研究-方海光

2024-10-09

人工智能赋能研究生课堂教学质量评价新模式-刘长红
人工智能赋能研究生课堂教学质量评价新模式-刘长红

2024-10-09

基于人工智能的课堂分析架构-一种智能的课堂教学研究-杨晓哲
基于人工智能的课堂分析架构-一种智能的课堂教学研究-杨晓哲

2024-10-09

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除