AutoAgentNetwork 获二等奖
二等奖 AutoAgentNetwork 构建了一个预算分配器,可回放 62,380 条已记录的模型调用,从而在无需再次付费的情况下比较单个模型与智能体团队。它推荐满足用户准确率、成本和响应时间要求的配置。 @kevinchunye @Ruijie_Shi
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。
97 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。
二等奖 AutoAgentNetwork 构建了一个预算分配器,可回放 62,380 条已记录的模型调用,从而在无需再次付费的情况下比较单个模型与智能体团队。它推荐满足用户准确率、成本和响应时间要求的配置。 @kevinchunye @Ruijie_Shi
Digital Science 旗下 Dimensions 的 Compass 工具可基于用户自定义基准和出版表现追踪,帮助 Medical Affairs 团队用触达等量化指标选择期刊与会议,替代依赖熟悉度和声誉的定性判断。文章指出,仅靠影响因子、引用数或网页访问量等传统指标会放大选择偏差,并给出一个药品首年于多个 EMEA 市场上市、需制定区域会议投稿策略的实例。
有趣的是,即便是 Joey-1(一个 2B 模型)在讽刺检测任务上也比我们的模型表现更好。 需要注意的是,Baseten 的三个模型都是在更大的数据集上训练的——621 万个样本,约为我们的 53 倍。
百度于本月 27 日正式发布并开源文心 Unlimited OCR 2 文档解析模型,将文档解析上限从数十页推向“无限”,可一次性解析累计超过 3,600 页的《哈利·波特》全系列 7 部作品。
Anthropic 让 50 名因果推断专家用 AI 智能体完成一项基于虚构农场合作社观测数据的分析任务,并在五个决策点上用抛硬币随机设定智能体的偏好。结果显示,专家在四个分析决策上采纳智能体偏好的比例为 86%,净影响即翻转率为 62% 至 82%;对最终建议的直接影响较小且未达统计显著。
Wiley 推出 SaaS 平台 Wiley Analytical Lab,把 SpectraBase 的参考谱图检索、KnowItAll AnyWare 的实验谱图上传与未知化合物鉴定、Wiley Data Hub 的数据集管理、验证、发布与共享整合到一个浏览器环境中。
LangChain 在博客中介绍用开源 wiki 编译器 OpenWiki 作为智能体的持久记忆层,并叠加证据图,让回答可追溯到支撑段落。
IDC 与 Anthropic 合作,把 IDC Quanta 以 MCP 连接器形式接入 Claude,IDC 客户今天即可在 Claude 桌面端、移动端、Cowork 和 Microsoft Office 插件中提问,获得基于 IDC 预测与数据并附出处的分析。
Consensus API 按可计费调用收费,符合条件的套餐额外用量为每次 0.05 美元,即 1000 次额外调用 50 美元,不含订阅费和套餐内额度。免费额度为每月 30 次调用,搜索按每返回 100 篇论文计一次调用,自助速率限制为每账户每秒一次请求。SciSpace API 仍处早期访问阶段、尚未开放,需填写申请表申请。
LlamaIndex 发布 Document Parsing Protocol(DPP)0.1 工作草案,用 140 条规则定义页面解析的正确输出,覆盖文本、表格、表单、图表和示意图,每条规则附示例页面与期望输出。
由资深买方投资者和基金经理主导的股票研究基准 Investor's Last Exam(ILE)发布,包含覆盖 343 万份文档版本、9 类来源并带校验时间戳的版本化金融数据库,以及按专业分析师交付物组织的任务分类和专家评分框架。
Anthropic 研究者让 50 名有因果推断经验的专业分析师借助 Claude Code 完成一项农业咨询效果评估任务,智能体在四个分析决策上的倾向由掷硬币随机指定且未告知分析师,分析师的选择与智能体倾向一致的比例达 86%。
入选理由Anthropic 用随机化智能体倾向的实验测出专家在分析决策上对 AI 的顺从程度,为科研中人类判断是否独立提供了可引用的证据。
Databricks 发布 Vital Skills,为编码智能体 Genie Code 提供医疗与生命科学领域的打包技能,覆盖 bulk RNA-seq、单细胞 RNA-seq。
你可以用 Perplexity Computer 先在真实世界测试之前运行模拟
Computer built a futures research lab that keeps working after the task ends. In historical backtests it developed 604 strategies with win rates of at least 60% and positive returns after costs. An automation checks for new gold, Nasdaq-100, and S&P 500 data every 30 minutes.
别错过我们分析 16000+ 篇 NLP 论文局限性的互动演示。今天上午 10:30,来 #EMNLP2026 Google 展台(#D5)找 Piyawat Lertvittayakumjorn,了解研究趋势如何变化,并查询你自己的论文是如何被编码的。阅读论文:https://arxiv.org/pdf/2609.15191
PFN 于 2026 年 10 月 27 日起提供 PLaMo 3.1 Prime,新增 Web 检索与 Deep Research,可从制定调研计划到收集、整理、分析信息并生成带出处的报告,耗时数分钟到数十分钟。
研究团队提出 SimpleLoRIF,一种可扩展的梯度嵌入方法,用于识别微调数据中梯度与不安全行为对齐的样本;该方法简化了低秩归因方法,并把反向传播限制在最后四个 transformer 块,可对百万量级样本的数据集做嵌入。
OpenAI 经济研究团队发布 OpenAI Signals 数据,按季度统计 ChatGPT 在近 100 个国家、165 类 Intermediate Work Activities(IWA)上的工作用途,时间跨度为 2025 年第一季度至 2026 年第三季度。
入选理由OpenAI 公开了按季度、按国家划分的 ChatGPT 工作用途数据,研究者可据此把 AI 使用与就业和经济指标做对照分析。
Epoch AI 将此前“自动化自己工作”的尝试扩展为 Epoch Automation Reports,用图形设计、研究项目规划等日常任务,按对人类的同一标准评测 AI,Claude Fable 5.1 与 GPT-6 Astra 平均得分 65%,即产出满足 65% 的人类员工评分项。
一项研究在四个基准上测量了推理强度档位对闭源与开放权重模型的反事实影响,覆盖单次调用推理和长程智能体任务。结果显示,更高推理强度虽能提升总体准确率,却常在低档位能解的任务上失败;在各级都能解决的简单任务上,最高档成本可达最低档的 42 倍。
正文实际内容为网站 Cookie 说明,未包含 TinyFish 的架构细节、版本、数据或可用范围,无法据此写出可核验的摘要。
Databricks 宣布 AI Runtime(AIR)正式可用,把全托管 GPU 基础设施接入 Databricks,让用户在数据所在的 Lakehouse 内训练模型,并通过 Unity Catalog 对数据访问、检查点、日志等执行统一权限控制。
Datalab 开源文档解析器基准 OmniParseBench 以 16,288 项通过/失败测试覆盖 2,937 页文档,并公布 27 个解析器的判定结果。该教程基于这些判定重建排行榜,发现排名前两位的解析器在统计上并列,且多数文档切片上领先者会变化。作者还在 50 页样本上自行运行 Tesseract 与 Indra OCR,并指出一项发布数字与公开文件不符。
研究团队推出 Quant-Arena,这是一个面向端到端量化研究的基准与公开排行榜,使用真实 A 股数据:模型需自行构建特征与选股代码,仅能获得 2022–2023 年的反馈,并冻结一个策略在封存的 2024 年接受评估。
NVIDIA 宣布 CUDA-X 库 cuDSS 正式发布,把工程与科学仿真中反复出现的大规模稀疏线性系统求解放到 GPU 上执行,开发者可通过 C、C++、Python 和 Fortran 接口集成到现有仿真与优化软件中。
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。
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。
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。
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.
研究者提出 Taste-Bench,用 502 道二选一题考察智能体在决策分叉处能否选出更优路径,即所谓“taste”。14 个模型中最高的 GPT-5.6 Sol 平均 59.7%,GPT-5.5 为 59.5%,其余明显更低;当关键线索只在后续轨迹中出现时,平均准确率降到 21%,接近随机猜测。
MarkTechPost 发布教程,实测 NVIDIA 的 Structured Data Models 库:它把 TabICLv2、KumoTabular 和 KumoRelational 等预训练表格基础模型封装在同一个 PyTorch 接口下,通过上下文学习在单次前向中给出预测,无需训练。
研究团队提出 HybridResearcher 训练框架,并训练出 4B 模型 HybridResearcher-4B,用于在一条推理链中同时调用结构化数据库(text-to-SQL)与非结构化网页检索。