区块链已逐渐发展成支撑数字经济的重要基础设施, 但其匿名性、跨链互操作性、多方参与等特征, 导致诈骗、洗钱与攻击等安全事件频发, 严重威胁生态系统的稳定与合规。尽管现有分析工具与方法在区块链服务安全领域取得了一定进展, 但仍普遍存在泛化能力不足、推理能力有限、难以适应复杂业务逻辑演化等问题。与此同时, 生成式大语言模型(LLM)的快速发展正在深刻重塑服务计算范式, 其在自然语言理解、知识推理与多模态融合等方面的优势, 为区块链服务安全研究提供了新的思路与技术路径。系统梳理LLM在事前智能合约审计、事中异常行为检测、事后多链行为关联任务中的应用进展, 归纳其优势与局限, 总结LLM赋能区块链服务安全的典型实践。最后, 展望LLM赋能区块链服务安全面临的开放科学问题与未来研究方向, 为构建可信、可解释、高效的区块链服务计算与治理体系提供参考。

基于大语言模型(LLM)的多智能体系统(MAS)虽在处理复杂任务方面展现出巨大潜力, 但其分布式特性与交互不确定性易引发多样化异常, 威胁系统可靠性。为系统化识别并分类此种异常, 进行全面综述。研究选取7个代表性MAS及相应数据集, 收集13 418段运行轨迹, 采用LLM初步分析与专家人工校验相结合的方法进行数据分析。构建一个涵盖模型理解感知异常、智能体交互异常、任务执行异常和外部环境异常4个层级的细粒度异常分类框架, 并结合典型案例揭示各类异常产生的内在逻辑与外部诱因。统计分析显示: 模型理解感知异常占比最高, 其中"上下文幻觉"和"任务指令误解"是主要问题; 智能体交互异常占16.8%, "信息隐瞒"是主因; 任务执行异常占27.1%, 主要表现为"决策重复出错"; 外部环境异常占18.3%, 以"记忆冲突"为主。此外, 模型理解感知异常作为根源性诱因, 引发其他层级的异常, 凸显了提升模型基础能力的重要性。此分类和根源分析旨在为构建高可靠的基于LLM的MAS提供理论支撑与实践参考。

后训练量化(PTQ)是一种高效的模型压缩方法, 它无需重新训练模型, 只需少量(或无需)无标签校准数据即可将高精度浮点模型的参数转换为低比特整数表示。该方法在显著降低存储与计算开销的同时能够最大限度地保留原始模型的推理精度, 因而受到学术界与工业界的广泛关注。从PTQ的量化步骤、方法分类、工具生态、应用进展4个维度, 系统总结PTQ的研究进展。首先, 构建了量化流程框架, 涵盖动态范围统计、量化参数计算、权重与激活量化、误差优化和模型生成等步骤; 其次, 提出一个完整的量化方法分类体系, 从量化粒度、位宽、校准方法到结构导向量化; 再次, 分析了支持PTQ规模化应用的工具生态, 探讨了其在硬件适配和工程部署中的应用价值; 最后, 总结了PTQ方法的融合与应用进展, 并指出PTQ方法在实践中面临的挑战, 尤其是跨模态一致性、极低比特语义崩塌与硬件适配等难题。这些实践挑战的总结不仅揭示了当前技术的局限性, 也为未来研究提供了重要方向。本综述为学术界与工业界提供了PTQ方法的参考框架, 助力推动人工智能在资源受限场景中的广泛应用。

随着互联网、云计算和人工智能的不断发展, 服务推荐作为服务计算中的关键技术, 在帮助用户快速精准地发现目标服务、提升资源利用率和改善用户体验方面发挥着越来越重要的作用。针对服务推荐的研究问题与发展趋势, 对现有研究成果进行了系统梳理和全面概述。首先, 总结了服务推荐的研究现状, 包括基于传统方法的服务推荐、基于上下文感知的服务推荐以及基于神经网络的服务推荐, 系统分析了各类方法的基本原理、代表性工作及其优缺点, 并对比了它们在不同应用场景中的适用性与表现。其次, 深入探讨了服务推荐在实际应用中所面临的核心挑战, 涵盖数据稀疏与冷启动、服务质量(QoS)数据不完整与含噪声、服务动态性与上下文变化、推荐结果的可解释性, 以及系统的实时性、可扩展性、隐私与安全等问题。最后, 对服务推荐技术进行回顾与总结, 概述了当前研究中的局限性与主要问题, 并结合大数据、知识图谱(KG)、深度学习、大语言模型(LLM)与强化学习等新兴技术的发展, 探讨了服务推荐未来的发展方向与研究前景。本研究有助于加深对服务推荐领域的整体理解, 并为后续研究和应用实践提供参考。

Web3作为"去中心化的下一代互联网"范式, 依托区块链技术, 成为数智服务生态中极具潜力的新兴领域。然而, Web3钓鱼网站对生态健康构成了严重威胁, 钓鱼者精心设计域名作为主要诱饵, 诱导用户访问并进行高风险操作以窃取数字资产。目前, Web3反钓鱼工作主要集中在钓鱼账户检测、钓鱼交易检测和钓鱼团伙挖掘, 而现有钓鱼网站域名检测工作主要面向传统钓鱼网站, 存在适应性不足、缺乏系统性分析等局限性。为此, 提出一种针对Web3钓鱼网站域名的检测方法WPWHunter, 对检测到的真实Web3钓鱼网站进行多维度分析, 并探究大语言模型(LLM)在网页分析方面的应用潜力。WPWHunter检测算法对Web3钓鱼网站域名中的诱导词、视觉欺骗、项目名模仿3种特征进行检测, 实验结果表明, WPWHunter能够有效检测出可疑的Web3钓鱼域名, 在测试集上G-means指标达到0.769, 相比表现最佳的基线方法提升了0.048。此外, 作为补充的探索实验, 使用3个通用LLM对WPWHunter未能成功检测的Web3钓鱼网页内容进行分析, 总结LLM判定Web3钓鱼网站时的依据。

意图驱动的人工智能系统在面对复杂多变的环境时, 须具备对意图(Purpose)的自适应感知、动态调整与多层反馈能力。传统人工智能模型普遍缺乏统一的意图生命周期建模机制, 导致系统行为难以追踪、调控与优化, 进而影响其可解释性与长期效能。基于数据-信息-知识-智慧-意图(DIKWP)五层语义空间模型, 构建一套面向认知演化路径的意图生命周期管理机制。该机制以语义传导为核心, 涵盖数据层的动态校验、信息层的迁移响应、知识层的逻辑重构、智慧层的价值演化、意图层的目标闭环与冲突调节5个阶段, 形成多层次、多目标、多反馈路径的语义治理体系。通过引入多层图谱建模与认知空间区分(如概念空间与语义空间), 实现意图生成、更新与调优的结构化与可视化建模。进一步结合人工意识系统的"体验-叙事"双循环结构, 强化系统在多轮互动中的意图稳定性与环境适应能力。在智能家居与智慧城市典型应用场景中对该机制进行理论推演与语义验证, 结果表明, 该机制具备良好的通用性、可扩展性与鲁棒性, 为主权人工智能系统中的价值对齐、语义主权与自主演化提供了理论支撑与工程参考。