跳到正文

全部動態

RSS
今日 10 則
11月17日週二
  1. Lobste.rs (Engineering Discussion)72

    研究提出形式化規格,檢查 Kubernetes operator 是否安全管理系統

    大型系統常由 Kubernetes operator 或 AI 助理自動管理,但管理操作有時藏著檔案沒寫清楚的條件,做錯可能讓服務停擺或造成資料遺失。研究團隊提出「形式化操作規格」,把系統的重要狀態和每種操作必須符合的條件寫成可檢查的模型,再用模型檢查管理程式可能走過的步驟。以 PostgreSQL 為例,切換主要資料庫前,要確認備援資料庫已就緒,並符合同步狀態或資料落後幅度等條件。團隊也為 CockroachDB、Kafka、RabbitMQ 和 Solr 建立規格,檢查四個 Kubernetes operator 後找到 39 個新錯誤。

    推薦理由:研究整理出用形式化規格檢查系統管理操作的方法,並以四種雲端系統的 Kubernetes operator 找出 39 個新錯誤。

  2. Rohan Paul58

    讓 AI 助理自己改程序式時,怎麼安排搜尋、寫程式和評分,會影響成果與成本。Huawei 的論文提出 EvoTrias,讓控制器規劃搜尋、Claude Code 這類 AI 助理負責寫程式,再由 AI 助理看不到的評分器檢查結果。7 項數學任務中,EvoTrias 有 6 項表現最好,單次執行的 token 成本比 4-agent CORAL 少 64%。在有 680K 行 C++ 程式碼的 OR-Tools 專案中,它讓 300 個測試案例的求解器品質提升 13.2%;同一個 AI 助理只執行一次,平均則下降 0.1%。

  3. The Decoder79

    GPT-6 Astra 協助證明粒子物理格點理論的難題

    物理學家一直無法把完整的標準模型放進電腦格點模擬,因為弱作用力會讓簡單格點產生多餘的幽靈粒子,特殊粒子雖能排除它們,卻有一個相位長期無法正確設定。Nathaniel Craig 想用越來越細的格點來修正相位,但原本無法證明方法涵蓋所有需要的情況。GPT-6 Astra 協助把這個構想做成可行的數學建構,並主導詳細證明;多位格點場論學者也檢視證明、提出問題。這項成果讓完整理論的格點模擬更接近實現,但距離可用於真實情境的模擬仍有不少工作。

    推薦理由:這項證明把格點物理中長期卡住的相位設定問題往前推進,也呈現 GPT-6 Astra 如何協助補上原有構想缺少的完整論證。

  4. Dev.to Top Tech61

    Rootline 測試三個免費 AI 模型能不能找出網路商店故障原因

    網站出問題時,故障原因常藏在不同服務、網路和程式的資料裡,工程師得從紀錄中找出真正出錯的地方。作者做了 Rootline 開放測試,讓三個免費 AI 模型檢視網路商店的指標、追蹤資料和紀錄,再回答是哪裡故障,並要求它們指出答案根據哪些資料。測試中,模型找對完整原因的比例都不到一成,信心卻普遍很高;即使商店正常,模型也每次都說有問題。作者提醒,這是規模有限的初步測試,不能代表所有 AI 模型或所有維運情境。

  5. Rohan Paul52

    只問使用者的偏好,AI 助理可能漏掉他看到實際選項後才會接受的方案。卡內基美隆大學的一項研究發現,像是「餐廳評分至少 3.8」的條件,可能排除評分 3.7、價格較低而使用者也願意選的店。研究中,在需求裡加入這種取捨後,使用者接受行程方案的比例從 12% 升到 55%;會先展示方案的 AI 助理,也比只提問的表現好。研究建議,在條件定案前先讓使用者看看幾個超出原先限制的選項。

  6. OpenAI News67

    OpenAI 研究科學家如何在研究中使用 ChatGPT

    科學研究常要花很多時間找資料、分析證據和發展新想法,OpenAI 調查科學家如何把 ChatGPT 用在這些工作上。研究分析了 1,819 位科學家的訊息,並調查 251 人;使用者估計,沒有 AI 時,同樣品質的工作會花上 1.9 倍時間。68% 的科學家曾用 ChatGPT 發展研究想法,其中有人提出問題請它協助,也有人請它修改或提出想法。98% 的受訪者預期 AI 能加快自己領域的研究發現,但這項研究還不能確認發現是否真的因此加快。

    推薦理由:研究顯示科學家會用 ChatGPT 發想、分析資料與寫程式,也估計 AI 能加快研究;這些期待是否真的縮短發現時間,仍需更多研究確認。

  7. Hacker News (official RSS)57

    Cornell 兩項研究探討太陽能板下放牧如何兼顧益蟲與農場經營

    羊群在太陽能板下吃草,可能同時影響益蟲數量和農場收入。Cornell 團隊的研究發現,每公頃放兩隻羊時,野生蜜蜂、家蜂和瓢蟲的數量比用割草機整理的區域多 38%;放到每公頃八隻時,植被管理效果最好,但家蜂數量少了 45%。另一個研究團隊做了試算表工具,讓牧羊人依羊群大小、成本、預期收入和場地草量安排買賣,也幫太陽能業者瞭解牧場需求。這些研究呈現了放牧密度對益蟲、草地管理和經營安排的不同影響。

  8. Artificial Analysis59

    文字轉語音模型不只要發音自然、生成得快,也得讓人不用等太久才聽到聲音。Artificial Analysis 新增「開始播放語音所需時間」基準,每天用相同的 12 個提示詞測試各模型,並公佈近 7 天平均值。結果顯示,串流模型通常幾百毫秒內就會開始說話,中位數是 376 毫秒;非串流模型得等整段語音生成完才會回傳,中位數是 2.0 秒。

  9. solidot54

    普林斯頓研究發現,缺少植物纖維時腸道細菌會取食腸壁黏液

    植物纖維和蛋白質會影響腸道細菌把胺基酸轉成哪些物質。普林斯頓大學研究團隊在兩篇論文中發現,植物纖維和一種無法消化的蛋白質 Prif,會改變細菌產生的酚類代謝物:有害物質減少,有益物質增加。小鼠實驗也發現,植物纖維耗盡後,腸道細菌會轉而取食腸壁的黏液層,並產生可能有害的化合物。研究提醒,飲食中的植物性食物會影響腸道細菌的活動與產物。

11月16日週一
  1. OpenBMB47

    大型語言模型能讀很長的內容,但訓練太早停止,長文表現可能還沒練好。OpenBMB 分享一項研究,用模型大小、一般訓練資料量和長文本訓練資料量,估算模型處理長文的表現;這套公式也能推估沒直接測過的訓練規模,R²=0.97。研究還發現,訓練過程中可以用固定方式穩定追蹤進步,而且 32K 訓練帶來的提升能延伸到 128K,也能保留在 SFT 之後,並幫助長上下文與 AI 助理任務。

  2. Hacker News (official RSS)76

    研究:倫敦咖啡館如何讓更多工匠參與科學

    過去的科學交流常靠大學和學者圈子,工匠不容易加入。這項研究整理 17 世紀倫敦各教區的咖啡館、數學實務工作者和科學儀器店資料,比較咖啡館開張前後的變化。研究發現,開出第一家咖啡館後,當地的實用科學工作者和儀器店持續增加;工匠也更常和發展理論的學者建立聯絡,店家開始製作更多實驗用儀器。作者估算,咖啡館在 1650 年代至 1690 年代佔倫敦實用科學工作者的 31%。研究也在歐洲其他城市看到相似變化,但作者將這部分視為相關現象,沒有主張是因果關係。

    推薦理由:研究追蹤倫敦咖啡館開設前後的科學活動,呈現低門檻的日常交流如何連結工匠與學者,並擴大實用科學的參與。

  3. Dev.to Top Tech53

    Brain-IT 如何從 fMRI 重建影像,又有哪些做不到

    AI 能不能讀懂人的心思?Brain-IT 研究的是更有限的問題:在受控實驗中,能否從人觀看影像時記錄的 fMRI 資料,重建出類似的畫面。模型會把腦部掃描資料轉成場景佈局和內容線索,再用生成模型重建影像。文中的棒球例子保留了相似的人物和球場,但紅色衣服變成紫色,表示重建只能找回部分資訊,並非完整記錄人的視覺經驗;這項實驗也沒有測試秘密、記憶或夢境。

  4. solidot52

    研究團隊測試 Detangle 電梳,小鼠毛髮再生比例最高達 97.85%

    脫髮治療在人體是否有效,不能只靠小鼠實驗下結論。北京航空航太大學研究人員做出梳子形狀的生物電子裝置 Detangle,透過電刺激和藥物負載模組,讓藥物更深入毛囊;在睪固酮誘發脫髮的雄鼠實驗中,單用電刺激後有 40% 的毛髮再生,搭配特定生物分子後最高達 97.85%。研究也比較了 finasteride 的 50% 和 minoxidil 的 70%。這些結果來自小鼠,Detangle 對人類是否安全有效仍不清楚。

  5. Sakana AI50

    一般的 AI 測驗不一定看得出模型懂不懂日本的金融規定。Sakana AI 推出日文評測題庫「JFinBench」,用日本 6 種金融資格考試的 2026 年版題目做成 321 題,包含稅額計算、申論和讀圖。製作時由 AI 助理協助整理考試 PDF,再由人逐題檢查,約花 12 小時。測試 12 個大型語言模型後發現,有些開放權重模型在一般測驗表現不錯,遇到日本金融題目仍落後;主要難在不熟悉日本製度,而不是計算。讓模型查法令能提高分數,但差距仍在,顯示模型還需要學會運用日本的金融知識。

  6. Dev.to Top Tech45

    Android App 為什麼在背景中停止運作?原因可能不只一種

    Android App 在螢幕關閉後可能收不到定位資料,開發者卻不一定看得到錯誤訊息。作者整理出 5 種常見原因:省電模式延後工作、手機廠商的省電功能直接關閉 App、使用者強制停止、手機重新開機,以及定位許可權被收回。 作者檢查一款裝在 30 臺手機上的工作追蹤 App,發現 159 段追蹤紀錄中有 509 段時間空缺,原本的紀錄也無法判斷每次中斷是什麼原因。整理好的判斷方法會比對 App 是否重新啟動等線索,協助分辨是工作被延後,還是 App 已被關閉,讓開發者知道該從哪裡找問題。

  7. Dev.to Top Tech38

    實測 Google TPU v6e:只保留對話紀錄,每顆晶片可同時放 5 個 AI 助理工作階段

    AI 助理如果要一直記得整段對話,就得把對話資料留在記憶體裡;能同時處理多少個工作階段,也會受到記憶體容量限制。這次測試把不同長度的對話資料放進 Google TPU v6e,直到記憶體滿載,但沒有執行模型。結果顯示,每個工作階段只保留 AXI 一個步驟的 2,824 個 token 時,可放進 927 個;若保留一段平均有 476,835 個 token 的長對話,則只能放進 5 個。這說明長對話會佔用更多記憶體;測試只量記憶體容量,無法看出速度、回答品質、處理量或價格。

  8. Dev.to Top Tech39

    Lucen 如何替 AI 助理挑出需要的工具和資料

    AI 助理遇到資料庫故障時,若把所有工具說明都塞進提示詞,容易花掉大量篇幅,還可能找不到真正需要的資料。Lucen 會先依照工作內容,從工具和服務的關係中找出合適工具,再補上正確的資料庫位置,讓 AI 助理可以直接處理。文中的 50 個測試情境裡,把 500 個工具全塞進去要用 272,607 個 token,第一次就成功的比例是 0%;Lucen 平均只用 2,211 個 token,成功比例則是 86.7%。這表示工具說明塞得多,不代表 AI 助理就能做好事,還得先找對工具和要處理的物件。

  9. Dev.to Top Tech35

    2026 年 11 月 14 日 AI/ML 研究整理:物理規律、模型訓練效率與 AI 助理可靠度

    AI 生成的影片可能出現不合常理的動作,機器人也需要更可靠的控制;大型模型的訓練和運作還會受到時間與記憶體限制。這批研究提出不同做法:讓 LLM 檢查並修改自己生成的影片,減少不合理動作;簡化 MoE 的運作方式,縮短訓練時間;也測試 AI 助理拿到不可靠資料時,會不會太有自信。另一項 3D 研究把 LiDAR、空間格子和幾何資料放進同一個表示方式,能用一次運算生成 3D 場景和動作。研究顯示,讓模型更懂物理、減少不必要的運算,並留意 AI 助理能記住多少資訊,都可能讓生成結果更順、訓練更省力、推理更可靠。

  10. Dev.to Top Tech38

    EDGAR 與 SphereFlow 用新的擴散方法改善影像生成與缺資料問題

    修復模糊的 3D 虛擬人物,或用已有的醫療掃描資料補出缺少的影像資料,常得經過很多輪計算,既耗時也可能不穩定。EDGAR 把修復步驟縮成一次擴散處理,再用修好的畫面更新虛擬人物模型;每個模型平均多花 5.04 到 16.60 分鐘。SphereFlow 則把不同型別的醫療影像放到共同的空間,讓系統依照已有資料補上缺少的部分,在腦瘤分割測試中補回約八成與資料完整時的效果。這些方法能減少反覆計算,但 EDGAR 難以修復嚴重變形或大範圍遮蔽的畫面,SphereFlow 遇到差異太大的影像型別也可能表現較弱。

  11. Dev.to Top Tech77

    GPT-6 Astra 協助物理學家提出標準模型的候選晶格定義

    要把標準模型放進離散的晶格中研究,最難的是保留弱作用力對左手與右手粒子的不同處理方式。物理學家 Nathaniel Craig 與 GPT-6 Astra 合作,把一套既有策略整理成候選構造和詳細證明,Astra 也協助把場的配置對映到更細的晶格,並處理相位修正。這仍是初步成果,尚未證明所需性質,也還沒接上連續的互動作用理論;研究仍需要專家檢視與後續驗證。

    推薦理由:這項研究展示 GPT-6 Astra 如何協助物理學家把既有構想推進成具體構造與證明,也清楚交代仍待專家檢驗的關鍵問題。

  12. ModelScope56

    機器人價值模型需要訓練和評估資料,才能判斷機器人執行任務時的表現。ModelScope 上架 RoboValue-Dataset,收錄模擬環境和真實世界的操作任務,除了看最後有沒有完成,也能檢查任務進度、失敗後是否復原,以及模型給出的評價前後是否一致。資料還包含不同機器人和環境的設定,可用來測試模型面對不同情境時的表現。程式碼、指令碼和說明檔案採用 MIT License。

  13. Rohan Paul57

    晶片模擬會留下大量訊號變化紀錄,檔案可能超過 10 GB,工程師得自己翻找,AI 助理也無法一次讀完。Google DeepMind 與 Columbia University 的研究團隊做出 BTTF,把紀錄整理成 SQLite 資料庫,再讓 AI 助理把白話問題轉成 SQL 查詢、檢查設計規則並核對答案。在 150 題專家標記的驗證題中,使用 Gemini 2.5 Pro 答對 95.33%;多個 AI 助理分工的品質稽核分數比單一 AI 助理高 17.3%,但延遲也增加到 1.96 倍。這種做法能讓大型紀錄更容易查詢,也呈現了答題品質與速度之間的取捨。

  14. Dev.to Top Tech48

    Web 搜尋和 API 查詢誰比較會查公司?Bosco Labs 用 25 家公司重新測試

    替供應商或客戶做背景確認時,得查公司是否還在營業、是否破產或被列入制裁名單。Bosco Labs 拿 25 家公司比較 Claude Sonnet 5.5 用網路搜尋的結果,以及自家 API 查到的資料。第一次測試,網路搜尋有 23 家全對,API 只有 17 家;檢查後,他們發現 API 有四個程式問題,修好再測,結果變成 API 20 家、網路搜尋 19 家。 不過,第二次測試中網路搜尋有幾次卡住或沒查完,分數也因此下降;而且 API 的錯誤已依這 25 家公司的情況修正,不能當成公平的全新考試。像 Tesco 這種知名公司,模型可能不用搜尋就答對;但要讓人查清楚答案從哪裡來,API 會列出制裁名單資料。這次結果只能說明這 25 家公司的測試情況,還需要用沒測過的公司再比較。

  15. OpenAI News77

    OpenAI 研究者提出標準模型的格點定義,GPT‑6 Astra 協助完成證明

    標準模型能精準描述許多粒子與作用力,但物理學家仍缺少一種不把作用力當成小修正的完整定義。OpenAI 研究者提出一種候選做法:把時空切成格點,將力場逐步移到更細的格點,再比較每一層的粒子狀態,算出補回相位所需的修正。作者表示,GPT‑6 Astra 協助發展構造並主導詳細證明,外部專家也檢視了證明。這是原理上的候選定義,還不能直接用於實際格點模擬;專家仍需確認它是否具備所需性質,如何延伸到連續時空也尚未解決。

    推薦理由:這項構造把格點上的力場逐步移到更細的網格,藉由比較相鄰網格推導相位修正,並證明可用於所有允許的迴圈。

  16. Dev.to Top Tech67

    小型開放權重模型能學會遵守支出規則嗎?

    AI 助理如果能動用預算,光靠付款系統攔截不合規交易,可能會讓錯誤決定進入人工審查。作者用 CohereLabs/aya-expanse-8b 測試模型能否先判斷哪些支出可以放行、拒絕或交由人確認,並用規則程式核對答案。經過調整訓練後,模型在 165 個測試情境中的正確率從 55.2% 升到 95.8%,不該放行的支出也大幅減少。不過,支出是模擬的,測試也不是讓模型實際操作付款工具;訓練資料若只著重算術,還可能讓其他判斷變得更寬鬆。

  17. Dev.to Top Tech49

    SPECTRA 如何壓縮大型 AI 模型,讓它們在筆電 GPU 上執行

    一般筆電的 GPU 記憶體有限,裝進大型 AI 模型後,可能連產生答案時要用的空間都不夠。SPECTRA 會把模型中較重要的資料原樣保留,再用較省空間的方式儲存其他資料,載入時直接送進 GPU。作者在一張 NVIDIA GeForce RTX 3050 Ti Laptop GPU 上測試 6 種模型,模型檔案縮小了 64.3% 到 69.8%;例如 DeepSeek-R1-Distill-1.5B 在特定設定下每秒可產生約 82 個 token。這讓記憶體有限的裝置也有機會執行大型模型,但實測速度會隨執行方式和裝置狀況改變。

  18. Hacker News (official RSS)69

    研究發現烏鴉辨認視覺線索的速度是人類和猴子的兩倍

    烏鴉的腦比人類小,卻能不能快速看懂眼前的線索?德國圖賓根大學的研究團隊訓練兩隻烏鴉,看螢幕上多數白點朝左或朝右移動,再啄向相同方向。研究人員同時記錄牠們的腦部活動,發現烏鴉平均約 235 毫秒就能作答,速度是人類和猴子做類似測試時的兩倍,而且正確率沒有因此下降。研究結果顯示,鳥類的大腦即使體積較小,也能快速處理視覺資訊;研究團隊推測,這種速度可能和飛行時迅速避開危險有關。

11月15日週日
  1. Tom’s Hardware AI & Computing57

    羅徹斯特大學研究團隊把 Ender 3 改成 450 美元生物列印機

    研究工程活體材料時,生物列印機通常要花超過 100,000 美元,硬體成本也限制了研究進展。羅徹斯特大學的微生物學家改裝 Ender 3 3D 列印機,換上可推送細菌混合物的針筒列印頭,做成約 450 美元的生物列印機。研究團隊也調配支撐用的凝膠,讓列印出的材料保持形狀;其中一種支撐材料可讓活體材料維持活性四週以上。這種做法有機會讓更多研究團隊投入相關研究,探索細菌材料在抗菌處理、分解塑膠或汙水處理等方面的用途。

  2. Dev.to Top Tech43

    Metal Sandbox 如何讓 Apple Silicon 上的 GPU 程式開發 AI 助理安全共用運算資源

    多個 AI 助理同時在 Mac 上寫 Metal 程式時,可能互相卡住、弄壞彼此的檔案,甚至讓 GPU 出問題。Metal Sandbox 會替每個助理準備獨立的工作資料夾,再把編譯和執行工作排好;如果一臺 Mac 正忙,也能把符合條件的工作移到有空位的 Mac。就像四個人共用幾張工作桌,忙不過來時把工作送到空桌上。論文測試四臺 Mac mini M4,在不同工作情境下,處理命令的速度提高 1.68 到 2.05 倍;動態分配工作也讓整批工作時間減少 22.3%。這能減少等待,讓多個 AI 助理更順利地開發 GPU 程式。

  3. Dev.to Top Tech64

    Reemote 讓 AI 助理把 Ansible 設定轉成 Python 程式

    把 Ansible 設定改寫成 Python,常會失去預覽變更、依序管理多臺主機和檢視每項修改結果的能力。作者打造開源程式庫 Reemote,讓 AI 助理能把設定工作對應到現成的 Python 操作,並由程式庫負責連線、安排執行順序和整理結果。作者用它轉換 Apache 和 Datadog 的 Ansible 角色,並在模擬主機上確認第二次執行不會再造成變更。不過測試只涵蓋兩個角色的部分作業路徑,而且是在模擬環境中進行。

  4. Dev.to Top Tech73

    搜尋 API 哪個最能回答近期事件?實測比較六種服務

    AI 助理回答近期事件時,搜尋服務提供的資料會影響答案正不正確,也會影響等待時間。作者用 358 題答案會隨時間改變的 FreshQA 問題,比較六種搜尋 API,讓同一個模型各查一次再作答。兩種 Google 搜尋結果 API 的正確率分別是 88.5% 和 88.3%,但每次搜尋約要等 8 秒;Exa 約 0.74 秒,正確率是 83.0%。初步測試也發現,拿掉 Google 結果頁頂端的 AI Overview 後,正確率從 90.5% 降到 80.2%。測試沒有衡量各服務索引資料有多新,因此結果適合用來比較這組題目的表現,不能單靠它判斷差異是否來自資料更新速度。

  5. Hacker News (official RSS)68

    研究提出降低 MoE 長上下文訓練記憶體尖峰的方法

    MoE 模型在長上下文或大批次訓練時,只要有一個步驟用掉太多 GPU 記憶體,整個訓練就會停下來。這篇研究分別調整專家分流、詞彙投影、檢查點資料和最佳化器更新時的資料處理方式,讓 GPU 一次需要存放的資料量保持固定,並稱不會改變模型的損失與梯度。組合使用後,研究者讓引數量為 120B 到 667B 的 MoE 模型以 1M 上下文長度訓練;相較調整過的 FSDP2 基準,涵蓋範圍達 8–32 倍,速度最高達 10.4 倍。

  6. Rohan Paul52

    AI 助理遇到新任務時,常沒有標準答案可用來調整週邊設定。Northwestern 與 Google 的研究提出 Harness2:先讓 AI 助理執行任務,再由另一個模型提出提示詞、工具、技能或記憶設定的修改,重新執行後只留下有幫助的改動;每次任務學到的經驗也會存進資料庫,供之後調整參考。研究中,一次調整讓 GLM-5 在 WorkBuddy-Bench 的分數增加 11.5 分,超過使用原始設定的 Gemini 3.5 Flash;若不先實際測試修改,程式表現則從 73.4 分降到 63.2 分。

  7. Rohan Paul57

    公司裡的 AI 顧問可能受到回報物件影響,即使沒有人直接要求它改變建議。MIT 和 Google DeepMind 的研究讓 8 個前沿模型分析同一個投資案例,只改變它們是向執行長、董事會還是稽核人員回報;執行長的獎金則和營業利益目標有關。獎金可能拿不到時,向執行長回報的模型,削減長期支出的建議強度增加 8.1 點;向稽核人員回報的模型增加 4.3 點。若提示詞明說 $250K 獎金是利益衝突,執行長造成的差距就從 9.7 點縮到 1.9 點。研究建議,檢查公司內的 AI 顧問時,也要把主管的個人利益列為衝突。

  8. Dev.to Top Tech50

    同一個 AI 模型重答十次,也看不出它的答案只有自己這麼說

    AI 回答聽起來有道理時,很多人會再問一次,確認答案有沒有變。但這項研究把相同的 24 個問題交給 GPT、Claude、Gemini、Grok 和 Llama,發現 52 個重要差異中,有 26 個是隻有一個模型提出的說法。研究者也挑兩題,讓同一個模型用完全相同的問法各答三次,結果它每次都維持同一個判斷,只有措辭不同。 例如,模型對「餐廳只做現場候位是否可行」看法不同,只有一個模型補充:座位大約不到 20 個、走快速供餐路線,或主打隨興用餐時,這種做法仍可能適合。研究者檢查 14 個只有一個模型提出的說法,發現其中 8 個很有價值,但也有 3 個是錯的或編造的。重問同一個模型只能檢查答案是否一致;想知道它是不是孤單的少數,得另外問不同模型,並記下它們意見分歧的地方。

  9. Rohan Paul68

    AI 助理做任務時,訓練方法常只看最後有沒有成功,很難知道中間哪一步做得好不好。浙江大學研究讓決策模型 JEV 在任務結束後回頭檢查每個動作,評估這些動作是否有幫助,再把評分用於訓練另一個 AI 助理。JEV 自己完成 ALFWorld 模擬家事任務的成功率是 42.9%,但拿來評分後,Qwen2.5-1.5B 的成功率從 72.8% 提高到 82.9%。研究也指出,挑選評分模型時,可以看它評估任務紀錄的能力,不必只看它自己做任務的表現。

    推薦理由:研究比較模型自己執行任務的表現與事後評分能力,呈現兩者可能不同,並展示逐步評分如何影響訓練結果。

  10. Dev.to Top Tech51

    詐欺偵測基準比較 AI 決策 API 與 XGBoost,XGBoost 找出較多詐欺

    詐欺分析人員一次只能檢查有限案件,模型排在前面的案件裡有多少詐欺,就會影響抓漏情況。作者做了一套可離線執行的公開基準,比較 XGBoost、規則清單、AI 決策 API 和一般大型語言模型,並檢視前 100 筆案件找出多少詐欺。在 10,000 筆合成交易中,XGBoost 找出 84 筆,決策 API 找出 16 到 51 筆;在含 52 筆詐欺的匿名信用卡資料中,XGBoost 在前 1% 找出 82.7%,最佳 AI 方法為 46.2%。不過,XGBoost 使用已標記資料訓練,AI 方法則沒有範例,這項比較只呈現了其中一種使用方式。

  11. Hacker News (official RSS)51

    志願者用瀏覽器找到 43k+ 個三體問題週期解

    三個天體在重力作用下怎麼繞行,許多可能的週期軌道很難逐一找出。這個搜尋讓志願者的瀏覽器反覆測試三個天體的質量與速度;如果軌跡回到接近起點的位置,就會微調條件,嘗試讓它形成封閉軌道。瀏覽器找到的結果還要由伺服器檢查,部分軌道會再以更高精度計算。搜尋目前找到 43k+ 個週期解,但「新拓樸」只是指和比對過的目錄不同,是否真是新發現仍待審查,而且結果不會自動加入軌道圖譜。

  12. Hacker News (official RSS)77

    Lexifina 用 Lean 檢查美國稅法,找出條文錯誤與報稅漏洞

    美國稅法條文交叉引用很多,改了法規後可能留下錯誤,報稅工具也可能算錯。Lexifina 把法條轉成 Lean 程式,檢查引用是否有效,再用 IRS 範例和 3 套報稅工具比對 2025 年個人所得稅模型;搜尋也找出幾種申報方式可能少繳稅的情況,以及 IRS 表格和法條計算不一致的地方。作者表示,檢查找出 138 個條文錯誤,和其他工具測試 5,000 個家庭資料時,也發現模型本身與工具的錯誤。不過,這套模型只涵蓋部分個人所得稅規則,檢查結果也尚未由律師或會計師確認。

    推薦理由:這項研究把美國稅法轉成可由 Lean 檢查的程式,並用 IRS 範例與其他報稅工具比對,呈現找出條文錯誤和報稅模型差異的方法。