跳到正文

全部动态

按时间排列的全部内容。默认只显示通过双重评分的入选条目;切换到“全部收录”可以检索所有抓到的资料。

290 条收录动态,更新于 22:59

全部收录包含没有通过评分的资料,标题以常规字体显示并标为“未入选”,只供检索,不写入选理由。

10月22日

星期四,3 条
  1. 斯坦福 CS 329Z 第9讲:Agent 系统优化选型图

    斯坦福 CS 329Z(Fall 2026)第9讲给出 Agent 系统优化选型图:前提是数据、系统、评估指标三样齐备,一般先做上下文优化(prompt 与 few-shots),不够用、想蒸馏到小模型或 prompt 过长时再改权重。

    引用meng shao@shao__meng

    CS 329Z: Engineering AI Agents Stanford / Fall 2026 @stanfordnlp https://cs329z.stanford.edu/ 课程定位:从"模型"到"系统"的工程学 覆盖:简单 LLM 流水线 → 复合 AI 系统 → 自主 Agent。三位讲师的背景也高度互补: @Diyi_Yang(斯坦福 NLP 教授,人机交互与社会计算方向) @michaelryan207(DSPy 核心贡献者,自动评估 AutoMetrics 作者) @jyangballin(SWE-agent / SWE-bench / SWE-smith 作者,软件工程 Agent 领域最重要的研究者之一) # 课程主线:三大工程挑战 贯穿全课的三个核心问题——分解(decomposition)、数据(data)、评估(evaluation)。11 周的内容基本围绕这三条线展开,可以分为五个模块: 模块 1:构建基元(Week 2–3) · LLM 作为构建材料:API/SDK(litellm)、结构化输出、约束生成、解码策略、test-time compute、上下文工程、模型选型与成本/延迟权衡 · RAG:embedding、向量库、分块策略、混合检索、cross-encoder 与 ColBERT 后期交互 · 工具调用:函数调用 API、MCP(Model Context Protocol)、工具设计、代码沙箱、错误处理与重试 模块 2:框架与设计模式(Week 3–5) · 框架层:DSPy(signature / module / optimizer)、LangChain/LangGraph、LlamaIndex,重点是"框架抽象了什么 vs. 你手写了什么" · 设计模式:workflow vs. agent 的分类学,五种可组合 workflow 模式,ReAct / plan-and-execute / reflection,"scaffold(脚手架)本身就是设计决策" · 记忆架构:短期/长期记忆、记忆作为工具动作、文件系统作为外化记忆、跨 Agent 记忆(MemGPT、Mem0、Generative Agents) · 多 Agent 系统:编排模式、handoff 与状态传递,以及一个很有态度的对照阅读——既读 AutoGen,也读《Why Do Multi-Agent LLM Systems Fail?》和 Neubig 的《Don't Sleep on Single-agent Systems》 模块 3:优化(Week 5) · 从提示词到微调的全景:GEPA、MIPROv2、OPRO、TextGrad(提示优化);LoRA/QLoRA、蒸馏、RLHF/DPO(权重优化);test-time scaling(推理算力) · 核心问题是决策框架:什么时候优化 prompt、什么时候优化 weights、什么时候堆推理算力 模块 4:数据与评估(Week 6–8)——最有分量的部分 · 数据:trace、demonstration、feedback 三类数据;训练数据 vs. 评估数据;数据飞轮;合成数据;从 Agent 轨迹构建数据集(SWE-smith) · 评估基础:为什么 eval 难;4 元组框架(request / environment / stopping criteria / scorer);好 benchmark 的性质;tinyBenchmarks · 评估基础设施:三类 grader、LLM-as-judge 的 prompt 设计与已知偏差、pairwise vs. pointwise、非确定性指标 pass@k vs. pass^k、harness 设计 模块 5:安全与前沿(Week 8–11) · 安全:工具访问的隐私风险、prompt injection(含间接注入)、红队、沙箱与权限模型、输出护栏、human-in-the-loop · Coding Agent:SWE-agent、Claude Code、OpenHands 的端到端架构对比 · 主动式 Agent:从 reactive 到 proactive,General User Models(GUM)、Next Action Prediction,以及"Agent 何时应主动、何时应等待"的 mixed-initiative 问题 · 开放问题:多模态/web/计算机使用 Agent、科学 Agent、长时运行架构、生产可观测性(tracing、monitoring、成本管理) # 作业设计:一手建、一手评 HW1:从零构建 Agent 系统(10%) 给定论文库,构建能检索并推理回答科学问题的 Agent。 · Part A:只用 litellm 手写 RAG + 工具调用 + ReAct 式 Agent 循环 · Part B:用 DSPy 重建关键组件,并反思框架抽象了什么 HW2:评估一个 Agent(10%) 给定一个预构建 Agent,设计完整评估套件:代码型 grader、至少一个 LLM-as-judge、用 4 元组框架构建 benchmark 任务、错误分析。

    meng shao证据待确认未入选重要性 38
  2. Netflix 研究员分享主观任务 Agent 评测三步路线图

    Netflix 资深研究科学家 Cameron R. Wolfe 发布主观任务 Agent 评测路线图,主张人工评测、离线自动评测、线上监控三步走,并配功效分析、置信区间、重复采样三件统计工具。

    引用Cameron R. Wolfe, Ph.D.@cwolferesearch

    I just published my roadmap for building evals on highly subjective tasks. Here are the key steps involved and practical tricks for reducing noise / increasing confidence… Blog is here: https://cameronrwolfe.substack.com/p/subjective-evals Why is this difficult? Evaluating agents is already hard due to their broad scope, emphasis on expensive / long-horizon tasks, and non-determinism. Subjective tasks make this even harder because we cannot deterministically verify solutions and must rely on human judgments (or LLM judges). This introduces additional noise into an already difficult evaluation process. Evaluation roadmap. We can build reliable evaluations using a repeatable framework with three components: - Human evaluation: Our North Star for quality. Create quality guidelines that clearly define quality with the help of subject-matter experts, calibrate human evaluators to ensure agreement, and continually monitor evaluation quality. - Offline evaluation: Use calibrated LLM judges or task-specific rubrics as an efficient proxy for human evaluation. This allows us to scale experimentation without relying on expensive human evaluation for every new model. - Production monitoring: Track quality signals from real-world agent usage and use A/B testing to validate improvements before fully deploying a new agent. Multi-stage evaluation. These components form a tiered evaluation process: Offline evaluation → Human evaluation → Production A/B test → Full deployment We can test many ideas automatically, send promising candidates to human evaluation, and validate improvements through production A/B testing. Continual production monitoring then allows us to discover new use cases / failure cases in production that we can add into the earlier stages of evaluation to create a feedback loop. Sampling useful data. Evaluation quality depends heavily on which tasks we select. We want tasks that are diverse, realistic, difficult, discriminative, and accurate. Techniques like structured task taxonomies, model-based difficulty filtering, Item Response Theory (IRT), and LLM-based auditing help us construct more informative evaluation sets. Handling noise. We should leverage statistics throughout the evaluation process: - Power analysis: Estimate the number of evaluation samples needed to detect meaningful improvements. - Confidence intervals: Quantify uncertainty and provide clear confidence signals alongside evaluation results. - Re-sampling: Repeat agent / judge evaluations to reduce within-task variance and potentially tighten confidence intervals. - Paired comparisons: Evaluate models on the same tasks to more reliably detect performance differences. Key takeaway. An improved benchmark score does not always mean our agent is more capable. We need well-designed evaluation tasks, calibrated human / model evaluators, and statistical confidence signals to distinguish meaningful capability improvements from noise (especially on subjective tasks). By combining these techniques into a repeatable evaluation process / roadmap, we can make building and maintaining evaluation suites more systematic, reliable, and scalable.

    meng shao证据待确认未入选重要性 47
  3. 开放模型现状全景梳理

    终于整理出了一份关于开放模型现状的完整演示文稿。 涵盖它们是什么、许可证、竞争力如何、人们正在使用它们的迹象、蒸馏的影响,以及我们如何平衡开放的风险与收益! 很快会录制这些内容的视频讲座,希望每年能重做几次。

    Nathan Lambert证据待确认未入选重要性 18

10月21日

星期三,5 条
  1. Kevin Weil 谈机器人实验室与科学未来

    我同意 @DaveARicks 的看法:通过机器人实验室进行大规模数据收集,将是未来科学的重要组成部分。

    引用Dave A Ricks@DaveARicks

    Well said Vas. AI will help us conquer disease, but this will take time, effort and lots and lots of data that doesn’t exist, yet. I would add that robotic labs will begin to make scaling data more tractable. https://lnkd.in/p/g8qvP5qX

    Kevin Weil证据待确认未入选重要性 12
  2. MIT 6.S950 第五讲更新:拆解 Agent Harness

    MIT 公开课 6.S950 第五讲讲义更新,用约 300 行 Python、两个工具(search、read_lines)、本地 Ollama 跑模型的教学 Agent「Baby Anigans」拆解 Agent = LLM + Harness。

    引用meng shao@shao__meng

    https://x.com/i/article/2103456568209768449

    meng shao证据待确认未入选重要性 38
  3. Google Research 如何选择下一个登月项目

    @GoogleResearch 如何选择下一个登月项目?💡 @SineadBovell 与 Michael Brenner 和 Lizzie Dorfman 一起分享了他们的三步框架: 1️⃣ 这是个大问题吗? 2️⃣ 技术能解决它吗? 3️⃣ Google 是否具备解决它的条件? 🎬 观看:https://youtu.be/dxq-3pimV-E 订阅:https://goo.gle/GoogleResearch

    Google Research证据待确认未入选重要性 18
  4. AI 是“解决科学”还是拓展科学?

    AI 会“解决科学”——还是拓展科学?🔬 在 @GoogleResearch 播客第 2 集中,@SineadBovell、Michael Brenner 与 Lizzie Dorfman 探讨了技术在发现中的作用。 核心要点:生成模型加速突破,但人类的好奇心驱动愿景。 👉 https://youtu.be/dxq-3pimV-E

    Google Research证据待确认未入选重要性 15

10月20日

星期二,3 条
  1. alphaXiv:科研智能体仍处早期,将迎自动化研究革命

    alphaXiv 认为科研智能体的采用仍处早期,当前大致相当于编程智能体 12-18 个月前的水平:多数研究者只愿把范围狭窄的单项任务交给智能体,模型使用也集中在少数闭源前沿模型上。其预测,多数研究者很快会让智能体端到端探索实验路线,开源模型也将成为有竞争力的替代选项。相关排名可在 openresearch.sh/rankings 查看。

    alphaXiv开放代码未入选重要性 20
  2. 从内容到可信知识:2026 法兰克福书展的思考

    2026 法兰克福书展上,关于 AI 的讨论焦点从能力转向权限、责任与可信内容能否被实际发现和使用。Research Information 的 Scholarly Publishing: Trends for Constructive Growth 报告显示,学术机构被普遍认为对 AI 准备不足,科研诚信虽是共同优先事项,但产业界与学术界的进展认知存在差距。

    The Scholarly Kitchen证据待确认未入选重要性 22

10月19日

星期一,1 条

10月20日

星期二,2 条

10月19日

星期一,7 条
  1. Import AI 477:我告诉 IMF,奇点已经开始

    Import AI 作者在曼谷 IMF 会议上发表 Per Jacobsson 讲座,称今年已获得令人信服的证据表明奇点已经开始,呼吁经济学家、银行家和政策制定者预期未来的剧烈快速变化。他以 Anthropic 内部研究人员产出的代码量约为公司前四年近 10 倍为例,说明 AI 已在软件开发等领域增强并自动化人类劳动。演讲重点讨论人类如何通过远见与克制共享 AI 带来的科学进步收益。

    Import AI证据待确认未入选重要性 22
  2. Claude 用游戏讲解 AI 对齐

    在《钻石年代》中,Neal Stephenson 设想了一本书,它能发明游戏和故事,在小女孩成长过程中教她所需的知识。我尝试做了一个小版本。我把关于对齐的头脑风暴文档给了 Claude,让它做一个类似塞尔达的游戏,教人们了解 AI 对齐。这是成果 🪁 简版:它很擅长构建世界,但在理解玩家方面仍然较弱(详情见下)

    Thomas Wolf证据待确认未入选重要性 22
  3. 研究论文与综述文章:该写哪一种?

    SciSpace 发布指南,对比研究论文与综述文章的区别:研究论文报告原创调查发现,综述文章则综合已有研究、评估证据一致与冲突之处并指出未解问题。指南梳理了两类文章的常见类型与结构,并说明选择取决于研究目标、已完成的工作和目标期刊要求。

    SciSpace官方证据待确认未入选重要性 12
  4. 徐兵河院士谈抗肿瘤创新药研发:从参与到原创的路径与挑战

    中国工程院院士徐兵河指出,中国抗肿瘤新药研发正从参与国际多中心研究转向源头原创,2025年前8个月新药出海靶点覆盖CD3、PD-1/PD-L1等。其团队主导的吡咯替尼在PHILA头对头研究中PFS和OS均显著优于对照组,国产CDK4/6抑制剂达尔西利Ⅲ期DAWNA-1研究也显著延长中位PFS并已获批上市。

    科学网证据待确认未入选重要性 18
  5. 当传统机制性方法失效时,神经科学该怎么办

    神经科学家发现,皮层与纹状体等通用型回路因高度递归、任务多样,无法像视网膜或鸟鸣回路那样被拆解为顺序前馈的机制解释,实时记录或操控活动时模块化图景随即消失。作者据此提出,面对这类复杂分布式系统,研究者或需接受其复杂性,并重新界定神经科学中"理解"的含义。

    The Transmitter证据待确认未入选重要性 22

10月18日

星期日,3 条
  1. Terence Tao 近期演讲与访谈汇总:谈 AI 时代的数学

    Terence Tao 在博客中汇总了近期演讲与访谈,包括 8 月 28 日 Big Think 访谈、9 月 17 日 IPAM 关于 AI 时代 PDE 验证与算法的研讨会报告、10 月 9 日 Caltech 公开讲座“Math 2.0”,以及 10 月 15 日 Numberphile、10 月 16 日《纽约时报》的访谈。

    Terence Tao 博客证据待确认未入选重要性 18
  2. 励建书院士:AI赋能之下需要更多一流数学家

    在第六届智能计算创新论坛上,中国科学院院士励建书提出,AI赋能下数学研究范式可能改变,单纯为发表论文的研究价值将大幅下降,对顶尖数学家的需求会大大增加。他倡导启动“未来数学计划”,建立完全开放、不依赖单一公司的“AI+数学”创新共同体。他还指出Math for AI的数学基础研究仍滞后,AI目前主要靠工程师推动。

    科学网证据待确认未入选重要性 22

10月19日

星期一,2 条

10月18日

星期日,3 条
  1. Anthropic 联合创始人:到 2030 年 AI 有望推动美国 GDP 增长近 50%

    Anthropic 联合创始人杰克·克拉克称,公司内部模型预测在特定条件下到 2030 年 AI 能让美国经济产出提升近 50%,GDP 达 44 万亿美元。他同时警告 AI 发展可能超出人类管控,呼吁为这项技术制定严格规则,并称生物研究领域需最严格的人工监督与信息透明机制。

    IT之家证据待确认未入选重要性 22

10月17日

星期六,1 条
  1. 鄂维南院士:AI 时代科研平权化,未来民科是科研主力

    中国科学院院士、北京大学讲席教授鄂维南在光华思想力论坛上预测,AI 将大幅降低科研门槛、推动"科研平权化",未来民科是科研的主力,每个有想法有能力的团队和个人都可参与科技创新。他提出构建 AI 原生工业软件体系,称一两年内可做成对标甚至超越西门子的体系,工业生产线建模则需三年、最多五年。他还警示现行科研体系面临挑战,科研成果形态将从论文转向知识产权。

    IT之家证据待确认未入选重要性 22