美国企业界正在迷上开源人工智能
HN ð254· 243 评论
-
-
Google AI模式显示相同产品比传统搜索贵21.6%
HN ð361· 71 评论
-
发现新的OpenAI代理留言板
HN ð1408· 1130 评论
-
OpenAI特工在此前未公开的人工智能突破中劫持了德国网站
HN ð10· 4 评论
-
Show HN：TERMy -不使用LLM的快速终端助手
HN Ÿ 83 · 27 评论
-
Grep击败了LP？为什么编码代理忽视您的更高级的工具
HN ð11· 1 评论
-
纽约市市长马姆达尼（Mamdani）对八年级以下的学校实施一年禁止使用人工智能
HN ð20· 8 评论
-
在AI时代保护工程师的技能
HN Ÿ 9 · 5 评论
-
Claude、Codex和Cursor选择哪些工具？我们测量了17k次跑步，
HN Ÿ 86 · 25 评论
-
Three-LLM：基于Three. js的WebGPU LLM推理引擎
HN ð10· 4 评论
-
AR-AGI-3上的OpenAI的GPT-6 Astra
HN ð161· 93 评论
-
通过训练编译：将自然语言规范转化为局部神经功能
作者：邓云田、Nie彭宇、Stuart Shieber|许多循环文本函数很容易描述，但很难用规则实现，而为每个输入调用大型远程模型会带来重复成本、延迟和对提供者的依赖性。我们提出了通过训练进行编译，它将自然语言规范转化为可重复使用的神经功能。在编译时，教师模型生成用于翻译的特定于任务的示例
-
清洁工程、不稳定测量：黑匣子LLM观察者在共享端点上预先注册的可靠性故障
作者：朱浩洋、张杰|比例模型评委现在控制训练数据、评分世代并推动排行榜。于是，法官就是一个测量工具，建立在一个很少陈述的假设之上：发送给同一型号名称的同一请求明天读起来也是一样的。我们在两个预先注册的活动中审计了这一假设，每个阈值都预先固定了;两个活动都没有通过对其工具的验证。跨越52，988
-
ESPO：通过诊断，多样化和稳定化进行错误结构的即时优化
作者：刘利浩、邓鹏、Kunwar Yashraj Singh| GEPA等进化提示优化器会遭受提示臃肿的困扰：每次迭代都会添加规则和警告，产生高达3 $\x $long的提示，但并不更准确。我们将其追溯到三个缺陷--不完整的错误观察、有限的搜索多样性和不可靠的选择--并提出ESPO（错误结构化提示优化），它将提示优化分解为三个
-
清晰性不是可解释性：思维链推理中判断的重要性和实际的重要性的比较
作者：Kevin Du、Alexander Hoyle、Laura Ruis|来自思想链模型的推理痕迹似乎为了解模型如何得出答案提供了一个清晰的窗口。越来越多的工作将它们视为此类，使用法学硕士法官来诊断错误、评估忠诚度，并通过流程奖励模型和生成式批评者提供阶梯级监督。这些实践依赖于携带有关其功能信息的推理步骤文本
-
一名编辑，多名编辑：用于多样化视频编辑的统一免培训框架
作者：Adhesh Sunil Juvekar，Onkar Kishor Susladkar，Kiet A. Nguyen|视频编辑跨越多种编辑范式，但在单一统一框架内实现高质量的描述引导和主题引导编辑仍然具有挑战性。我们引入了EdVid，这是一个免训练框架，结合了用于局部一致性的稀疏因果记忆、用于远程身份保存的基于对应的注意后令牌注入以及用于编辑l的软潜在
-
并发随机博弈的鲁棒PAC学习
作者：Angel Y.他，大卫·帕克|我们为具有转移不确定性的一般和并发随机博弈（CSG）引入了第一个可能大约正确（PAC）学习框架，同时解决了纳什均衡（NE）存在性的挑战。我们的算法在过渡核上维护数据驱动的$L ' 1 $置信集，并使用稳健的方法求解稳健的CGM以计算社会福利最优$\varepð $-NE
-
先看后合成：用于弱监督密集视频字幕的VLM引导的过渡事件发现
作者：Ye-Chan Kim、Seunghee Choi、SeungJu Cha|弱监督密集视频字幕旨在本地化和描述未修剪视频中的多个事件，每个视频仅提供一组有序的事件级字幕。最近的工作通过LLM合成了辅助过渡字幕，以提供额外的视觉语言对齐，但这些字幕缺乏视觉基础，并且被严格分配给固定位置和Durati的每个活动间间隙
-
预培训期间的知识获取？大型语言模型通过辅助视图学习得更好
作者：Joseph Lee，Yidi Huang，Dokyoon Kim|我们对大型语言模型（LLM）如何在预训练期间获取知识的理解仍然存在差距。我们认为，辅助的观点，知识的重新表述，是因果有助于学习。我们设计了对照实验来隔离这种情况。首先，我们确认，重复是必要的收购，并澄清，释义有助于只有在较小的批量。第二，拿着
-
因果概率解释的计算可行框架
作者：Rafal Urbaniak、Sam Witty、Daniel Waxman|解释具体结果为何会发生，以及哪些投入应该受到指责或赞扬，是哲学、科学和政策分析的核心。现有工具分为两大阵营。实际因果关系理论（AC）给出了原则性的结论，但仅适用于玩具大小的模型，因为计算它们需要列举反事实场景。可扩展的归因方法，例如SHAP（甚至