搜索：目标错误泛化

「目标错误泛化」共找到 1063 篇相关文章

对噢！为什么LMs就不能直接输出答案+confidence呢？

当前语言模型在复杂问答任务中存在校准退化问题，本文提出RLCR方法，将概率校准融入RL训练目标，重构奖励函数，在多个数据集实验中显著降低校准误差，不损失准确性，为高风险场景AI部署奠基。

深度学习中，扩散模型能生成新图像且抗过拟合。巴黎高师和博科尼大学研究团队论文指出，这源于隐含的动力学正则化，训练分两阶段，数据量增加会拉开‘泛化窗口’，还给出数学解释。

2025年《自然·机器智能》研究指出AI和人类在‘泛化能力’上本质不同。人类泛化靠抽象，学习高效；AI泛化靠统计，学习笨重。未来AI与人应互补协作，而非谁取代谁。

3月外媒报道，美国国防部副部长信件称，Palantir的Maven人工智能系统将被列为「项目编制」，监管将转移，未来合同由陆军负责。其武器目标识别技术将获长期应用，Maven能整合数据、识别目标，还与Claude助力美军打击伊朗目标。

作者分享在Facebook四年工作的总结反思。包括目标规划、工作价值判断、处事态度、技术与产品关系等多方面体会，如明确目标、做有价值工作、少片面结论等。

本文是对容启传感销售副总周志强的专访。容启传感专注智能传感器，目标是实现高端国产替代，已在医疗和真空领域取得成效。公司2020年战略升级，产品获市场认可，还完成首轮融资，未来有清晰规划。

随着LLMs在高风险领域广泛应用，其输出的事实性错误引发安全质疑。中科院计算所和美团团队论文揭示自我一致错误，传统检测方法对此失效，提出跨模型探针法提升检测能力。

清华大学李升波教授团队在NeurIPS 2025提出LLM - Filter通用滤波器，将状态估计融入大语言模型推理框架。它能解决传统方法泛化性差问题，在未见过系统中实现零样本状态估计，有望成基础模型。

7月24日，陶哲轩在ICM 2026演讲指出数学界正经历新危机，关乎价值观与工作方式。他围绕AI能力猜想探讨数学界如何应对，列举目标和风险，提出需升级目标，还介绍莱顿宣言建议。

随着合成数据增多，模型需判断数学数据题目能否被信任。北大DCAI团队提出MathDebugger质检BenchMark，覆盖问答两端，评测主流LLM和PRM。还探究能否判断正误、分类错误、修复数据，证明错误标签可作监督信号。