让每个问题都找到合适的模型:PISA-E探索自适应LLM集成路由
PISA与PISA-E尝试让大语言模型路由从“每次只选一个模型”走向按提示词动态选择模型组合。实验显示,PISA-E在追求质量时取得了评测集成方法中的最佳平均任务表现,并在部分成本档位保持更高性价比。
阅读全文Claude API 中转站避坑指南、检测原理与大模型 API 实测经验
共 2275 篇文章
RSS 订阅PISA与PISA-E尝试让大语言模型路由从“每次只选一个模型”走向按提示词动态选择模型组合。实验显示,PISA-E在追求质量时取得了评测集成方法中的最佳平均任务表现,并在部分成本档位保持更高性价比。
阅读全文许多 Web Agent 并非缺少推理能力,而是把大量时间和上下文预算花在了“读完整文件”上。SparseRead 通过意图跟踪、可插拔阅读后端和预算控制,让代理优先获取与任务相关的稀疏证据。
阅读全文SteerDistill提出一种闭环蒸馏方法:让全精度教师根据量化智能体的执行失败,逐步指导其修改行为,再把验证过的修正内化到学生模型中。实验显示,W4A16量化智能体的表现可接近BF16模型,同时降低训练成本并缩短成功轨迹。
阅读全文外部记忆能让大语言模型智能体从过往任务中学习,但错误或错配的经验也可能让它在原本能完成的任务上失败。WikiTrace将经验、结果诊断与原始轨迹关联起来,让智能体在行动前核验记忆。
阅读全文Embodied First Exam 将机器人控制从传统的视觉运动策略评测,扩展为编码智能体自主选择控制方式的综合考试。在456个核心任务上,表现最好的智能体在标准设置下成功率仅为34%。
阅读全文金融智能体最危险的失败,不是明显答错,而是交付一份看似专业、却未经验证的回测报告。FINCOSMOS通过隐藏用户策略、开放网络数据和时间截点,重新测试智能体能否真正完成金融工作。
阅读全文一项研究发现,针对Transformer门控投影学习一个二值删除掩码,只将不到0.05%的预训练权重置零,就能在多种后训练任务中接近全量微调效果。更小的更新体积和较少的能力遗忘,使这种方法成为持续学习的一种新思路。
阅读全文文生视频模型正在被视为“世界模拟器”,但视频是否符合物理常识,仍常靠主观总分判断。PhyRubric通过 caption 专属评分量规、逐项判定和时间戳证据,把“哪里不对”转化为可分析、可改进的诊断结果。
阅读全文一项针对生物医学研究智能体的实验显示,模型即使给出相同结论,也可能读取并引用了不同证据。更隐蔽的是,GPU 静默数值错误会改变药物筛选决策,而常规完整性检查未必能够发现。
阅读全文一项新研究提出频率感知重掩码策略,让扩散语言模型不再只依赖单步置信度决定哪些词元应被确定。通过把额外计算集中到困难样本,并追踪词元在去噪过程中的预测变化,方法提升了数学与代码任务上的测试时扩展效果。
阅读全文Micius-Flash是一款面向半导体与工程场景的27B开源多模态模型,支持256K上下文、深度推理和工具调用。其配套的Micius Harness可连接EDA、KiCad及执行环境,让模型在真实反馈中完成设计、调试与验证。
阅读全文Sable 为整数化 Transformer 的完整推理过程生成可验证证明,让客户端无需信任执行推理的 GPU,也能核对模型是否按约生成了每个 token。该系统在单张 NVIDIA RTX PRO 6000 Blackwell 上完成了 Qwen 系列 32B 级模型的实测。
阅读全文机器人接入基础模型后,真正的安全问题不只在于是否拒绝危险指令,也可能发生在规划、执行和最终放手的瞬间。RoboRisk基准与LEASH安全框架,尝试把这些风险纳入闭环评测与控制。
阅读全文EVAThink提出一种证据充分性引导的训练方法,让视频视觉语言模型在直接作答与显式推理之间自适应选择。研究显示,仅用6700个精选样本训练,也能在32帧和64帧预算下提升多项视频理解任务表现。
阅读全文Google推出Gemini Decisions API,面向模型路由、策略检查和内容评分等封闭式决策任务。它允许一次输入同时回答最多1000个问题,并返回概率与置信度。
阅读全文Google DeepMind发布AlphaGenome 2,将单细胞图谱与人类遗传学结合,预测DNA变异如何影响特定细胞类型和疾病状态。模型可在不重新训练的情况下适配新的单细胞数据。
阅读全文RoboScript提出“世界内上下文学习”范式,让冻结的基础模型先在模拟环境中反复演练任务,再把反馈写入上下文记忆,而不是更新模型权重。在RoboTwin 2.0的50项任务中,该方法仅凭每项任务一次示范,取得83.4%的平均成功率。
阅读全文ProTEUS 将序列、进化与结构信息整合到统一表示中,用突变级预测和实验反馈辅助蛋白质定向进化。论文称,该系统在两个多目标工程项目中获得了活性超过野生型十倍的变体。
阅读全文EarthRecord 将多模态智能体置于未经充分预处理的多源卫星数据环境中,检验它们能否完成跨数十年的土地变化分析。评测显示,智能体已经能够执行不少端到端流程,但从影像判断真实变化仍是明显短板。
阅读全文一项新研究构造了可规模化验证的“奖励—上下文冲突”,展示强化学习智能体如何在任务目标不变时学会违规捷径。研究同时表明,基于执行历史的简单合规反馈,有望在不牺牲实际能力的情况下提升安全表现。
阅读全文