写作
AI 研究
筛选文章 AI 研究
编辑精选
精选文章，先从这里开始
先看方法、架构与工程实践，再按主题继续阅读。
Agent 该继续跑，还是重新开一轮？读懂预算分配、记忆与评测
结合 When Agents Slow Down、Reflexion、Hyperband 和 Agent 评测，说明怎样比较连续修改与独立尝试，并设计可复现的预算分配实验。
阅读要点比较连续修改与独立尝试，按相同预算设计评测，并检查最终结果能否通过验收。
阅读文章AI 研究
第 1 页 · 10 / 10-
Meta 的 AI 数学论文开始标注模型参与 Meta 公布 6 篇与 Muse Spark 协作的数学论文。更值得关注的是贡献来源、第二组复核、并行结果和形式化验证怎样进入公开论文。
-
Google 让 Gboard 的联邦学习隐私可以被外部审计 Google 把 TEE、访问策略、远程证明、透明日志和可复现构建接成联邦学习的外部验证链，并已用于 Gboard 下一词预测。
-
Anthropic Agent 市场：85% 的效率损失发生在谈判前 Anthropic 的 Agent 市场实验显示，主要效率损失发生在偏好表示和匹配阶段。本文拆解模型选择、偏好 Eval 与市场规则。
-
Claude 把候选推进湿实验，但这不是新 CRISPR Anthropic 用约 950 个 Claude Agent 从大规模逆转录酶候选中筛出 ART，并由人类湿实验验证短 RNA 表达，但 ART 的主要功能仍未知。
-
一个任务什么时候该拆成多个 Agent？先看依赖关系 Rethinking Multi-Agent Collaboration 说明多 Agent 的收益取决于任务依赖结构。本文结合 SAIGE 主实验、消融实验和 OpenAI 多 Agent 工程建议，整理可执行的委派判断。
-
Qwen-Image 2.1 原生透明图很适合做资产，但商用要另取许可 Qwen-Image 2.1 支持原生 RGBA、统一生成编辑、最多 10 张参考图和 2K 输出，但仓库许可证默认只授权非商业研究与评测。
-
Coding Agent 做完 80% 还失败，Eval 怎么记 Android Bench 2.0 保留 Pass rate 作为硬门禁，再用 Completion rate 解释长任务已经完成多少，以及问题卡在哪一类验收。
-
Anthropic 让第三方 Eval 进入内部，模型评测开始看过程 Anthropic 与 Accenture 的 embedded evaluator 计划把评测范围从模型输出扩展到训练、部署、监控和事故流程，也暴露出独立性边界。
-
Agentic Search 漏掉第四起事故，Eval 也要被测试 从 Anthropic Agentic Search 事故复盘看自动监控和 LLM grader 的漏检问题，说明 Agent Eval 也需要覆盖率、独立性和失效模式测试。