搜索：可解释性模块

「可解释性模块」共找到 4208 篇相关文章

只要科学任务能打分，AI就能实现SOTA结果 | 谷歌最新论文

谷歌最新论文提出，只要科学任务可评分，用大模型+树搜索，让AI大海捞针，就能找到超越人类专家的方法实现SOTA结果。他们开发的AI系统在多领域发明新方法，都达SOTA水平。

近年大型语言模型催生AI智能体发展，但现有系统依赖人工预设，难适应动态环境。论文提出自进化AI智能体，可通过环境反馈自动优化，还提出三定律、四阶段范式演进模型等，开源EvoAgentX框架。

剑桥大学提出 LiteReality，可将室内 RGB - D 扫描数据转为 3D 虚拟副本，支持多种图形渲染功能，适用于多领域。它通过多步骤流程重建场景，还引入新框架解决材质恢复问题，但也存在依赖人工等局限。

Meta和NYU研究强化学习在大模型微调中的有效性，对比离线、半在线和在线训练范式。半在线和在线显著优于离线，多任务结合可验证与不可验证任务能提升性能，还给出不同任务的测试数据。

上海人工智能实验室提出TPO方案，可让大模型在推理时快速对齐人类偏好，无需更新模型权重。TPO类似文本形式的梯度下降，在多个基准数据集评测中表现出色，还提供“宽深结合”推理拓展策略。

DeepSeek新论文《Conditional Memory via Scalable Lookup》提出Engram模块，指出大模型用计算模拟查字典是浪费算力，Engram能给模型装“记忆”，还发现参数分配呈U型缩放定律，推理和长上下文能力提升显著。

Kosmos是一款全程无需人类插手的AI科学家，最长能连续工作12小时，平均一次研究读1500篇论文、写4.2万行分析代码，79%研究结果可被人类复现，已在多领域有7个真发现。

国产MiroMind公司在全球首个动态实时预测基准FutureX上夺冠，老板是陈天桥。其开源的MiroFlow v0.2智能体框架优势明显，能升级大模型能力，且成本低、可复现。MiroMind在预测赛道领先。

Gimlet Labs研究显示，AI能自动生成苹果芯片Metal内核，使PyTorch推理速度提升87%，在215个PyTorch模块上平均加速1.87倍。多个模型组合生成最优内核概率更高，不过研究对比方式遭质疑。

上海人工智能实验室与复旦大学联合研究成果《Capability Salience Vector》获ACL 2025杰出论文奖。提出能力显著向量（CSV）解决验证损失与下游任务能力脱节问题，实验验证其提升了下游任务表现可预测性。