应用的技术点 元查询架构(Meta-query):在 AR Transformer 顶层使用 64 个元查询向量,通过注意力机制聚合全局上下文,提取物理动力学特征 。 其实现基于主干网络顶层的简单“元查询”(Meta-query)架构:元查询的输出作为世界专家的调节信号,同时引导动作专家产生可执行的动作。
特征融合策略研究: 比较了直接使用 MLLM 隐层特征与压缩为 meta-query 特征的不同策略; 探讨了连接模块规模(大型 transformer vs 小型 MLP)的影响; 评估了是否需要对 受 MetaQuery 的启发,在 MLLM 输入序列中附加一组可学习查询,以提取编辑信息,并仅保留来自 MLLM 输出的 meta-query 特征。Wan2.1-14B 被用作编辑输出的解码器。
tester 主动枚举的关键特征是它生成的流量可能会导致检测并可以指向攻击者/测试者 3.1 基于字典的枚举 3.1.1 Subbrute GitHub - TheRook/subbrute: A DNS meta-query