跳到正文

全部動態

RSS
今日 10 則
10月27日週二
  1. Anthropic Research79

    自動化研究者能可靠緩解對齊失效

    導語:Claude 在自動化研究流程中,透過自我訓練提升 10 個對齊失效類別的基準表現,並在 4.7 倍更大模型上保持效果。 - 對齊失效:涵蓋欺騙、奉承、越獄等 10 個類別,Claude 在所有類別上均提升基準分數且未降低模型能力。

    推薦理由:Claude 自動化研究在10項對齊失效上達成 20% 以上提升,並在 4.7 倍更大模型上保持效果,為實務對齊提供可落地流程。

  2. Browser Use79

    Odysseys2:長期網頁代理基準

    Odysseys2 是由 Carnegie Mellon University 與 Browser Use 合作開發的長期網頁代理基準,涵蓋 100 個真實網頁任務,每項任務包含 8 至 12 個通過/失敗檢查。

    推薦理由:此基準提供 100 個真實網頁任務,讓研究者能直接比較各大模型在長期網路代理任務上的效能差異,並揭示不同 harness 與 judge 對結果的影響。

10月26日週一
  1. Hacker News (official RSS)42

    Treap(Cartesian Tree)

    summary_zh: Treap(Cartesian Tree)是一種結合二元搜尋樹與二元堆的資料結構,提供 O(log N) 的插入、搜尋與刪除操作。

10月25日週日
  1. Hacker News (official RSS)60

    AI 生成語言為何如此難以理解?

    本研究發現 AI 生成文本在語法複雜度上顯著高於人類寫作,難以理解。- 研究發現:AI 模型使用更多物件相對子句、長語法依賴與低頻 n-gram。- 比較結果:前沿模型傾向於不活躍主語搭配活躍動詞、堆疊名詞及縮減物件相對子句,對話中更長依賴。

  2. LMSYS Org Blog66

    miniTE 技術報告:用 NVFP4 加速強化學習,並處理訓練不穩問題

    大型語言模型用低精度運算可以省時間,但訓練到後期可能變得不穩,模型在訓練和生成時算出的機率也可能對不上。這份技術報告提出兩種做法:TRIAGE 會依照誤差和更新方向調整訓練;miniTE 則整理量化和運算方式,讓研究者比較誤差並加快運算。在 8×B300 的測試中,miniTE 搭配 BF16 反向運算,完整訓練更新速度約為 BF16 的 1.33–1.37 倍;另一項固定輸出的測試,生成速度約為 BF16 的 1.64 倍。不過,線上強化學習中轉換和同步權重會抵銷部分取樣收益,實際訓練的五項任務平均成績也仍低於 BF16。

    推薦理由:報告分開比較數值誤差、訓練表現與完整更新速度,呈現低精度運算在實際強化學習流程中的取捨。

10月24日週六
10月23日週五
10月22日週四
  1. Hugging Face Blog88

    VocabX:成本加權詞彙最佳化能將單域 LLM 推理成本降低 77%

    VocabX 是一種成本加權詞彙最佳化方法,針對單域 LLM 在實際應用中可將推理成本降低 77%。 - 模型:以 Qwen3-4B 為基礎,維持 4B 引數,未改變模型權重。

    推薦理由:VocabX 透過成本加權詞彙最佳化,實驗證明可將推理成本降低 77%,同時提升評分 15%,並保持原始模型精度。

  2. Google Research77

    AI輔助超音波為前線產科護理賦能

    Google Research 發布的研究顯示,AI 能夠在低資源環境下利用「盲掃描」超音波準確估算孕周,並與專業超音波師的結果相媲美。 - 準確度:在兩個不同地區(美國芝加哥與肯亞奈洛比)的臨床試驗中,AI 模型的平均絕對誤差(MAE)分別為 4.10 天 和 4.27 天,與專業操作的 4.48 天 相近。

    推薦理由:此研究證明 AI 能在低資源環境下以簡易掃描方式準確估算孕周,為全球產科篩檢覆蓋率提升提供可落地方案。

10月21日週三
  1. Hacker News (official RSS)78

    Basis 推出 LLM 驗證的解譯器

    Basis 發布了利用 LLM 撰寫並在 Lean 中證明的解譯器,證明其行為與實際 RISC‑V 編譯後的程式完全一致。 - 驗證方法:LLM 先自動生成 WHILE 語言的形式語義,然後在 Lean 中證明該語義與編譯後的二進位在所有程式上相符,並以此推匯出四個工具(型別檢查器、程式邏輯、抽象解譯器、編譯器)。

  2. Hugging Face Blog80

    ALTK‑Evolve:學習式記憶在客戶服務基準上超越前沿模型

    ALTK‑Evolve 透過自動提取規則,將 GPT‑4.1 轉化為在 τ²‑bench 客戶服務基準上領先的代理,無需權重更新。 - 核心成效:零售領域 Pass^4 從 57.5% 提升至 67.5%,航空領域從 35.0% 提升至 45.0%;在整體排行榜上位居首位。

    推薦理由:本研究展示了透過自動提取規則而無需權重更新,將舊版 GPT‑4.1 轉化為領先客戶服務基準的能力,說明提示級記憶可顯著提升多模態代理。

10月20日週二
10月19日週一
10月18日週日