速報
釣魚郵件偵測模型在對抗攻擊下準確率暴跌，研究揭示乾淨資料測試的盲點
釣魚郵件是持續存在的網路安全威脅，機器學習分類器廣泛用於偵測。一項研究比較 TF-IDF 邏輯迴歸與 DistilBERT 模型，兩者在乾淨資料上準確率超過 98%，但在對抗攻擊下分別跌至 64.00% 與 63.64%。結果顯示乾淨資料準確率無法預測對抗穩健性。
速報
釣魚郵件是持續存在的網路安全威脅，機器學習分類器廣泛用於偵測。一項研究比較 TF-IDF 邏輯迴歸與 DistilBERT 模型，兩者在乾淨資料上準確率超過 98%，但在對抗攻擊下分別跌至 64.00% 與 63.64%。結果顯示乾淨資料準確率無法預測對抗穩健性。
深度分析
面對代理式AI工具呼叫帶來的高額推論成本，Switchcraft提出專為工具呼叫優化的模型路由器。系統以經過代理任務微調的DistilBERT作為輕量路由器，結合AST級別的工具呼叫正確性判定與成本模型，根據查詢與上下文選出最便宜且預測正確的模型。評測顯示準確率82.9%，推論成本下降84%。