「量化噪声」共找到 231 篇相关文章
让 AI 组队干活，最强模型也只完成约一半任务：AgentWorld 如何评测 Agent 协作能力？
单个AI Agent能力不断提升，但多智能体协作能力缺乏系统评测。本文介绍新推出的AgentWorld评测基准，结合长时程任务、角色不对称与黑盒交互，评测多智能体协作能力，给出主流大模型的协作表现数据。
TACL 综述 | 别只卷架构了——长文本模型的能力天花板，其实是数据决定的
该 TACL 综述首次从数据视角审视长上下文语言模型，指出长上下文能力本质是数据驱动。它建立分类体系，明确高质量长文数据条件，给出核心能力的数据配方与评估法，还整理数据集和基准，提出待解问题。
五年，终于等来Transformers v5
Transformers v5发布首个RC版本v5.0.0rc0，跨越从v4到v5长达五年的技术周期。其日下载量从2万次激增至超300万次，总安装量突破12亿次。v5将PyTorch确立为唯一核心后端，聚焦四大维度进化。
1.7K Star 新晋神器！一款轻量、开箱即用的终端日志神器，AI 助力、实时可视化，效率飞升！
现在系统日志信息量大、噪声多，传统工具定位问题既慢又麻烦。而开源工具Gonzo基于Go语言开发，有实时日志流处理、交互式仪表盘等功能，安装简单，打破传统工具局限，节省时间。
KDD 2025 Best Paper Runner-Up | EI-BERT：超紧凑语言模型压缩框架
香港城市大学王茂林等提出 EI - BERT 框架，解决移动设备部署 NLU 模型难题。通过硬令牌剪枝、交叉蒸馏、模块化量化，实现 99.5% 压缩率。在多任务中表现出色，已在支付宝大规模应用。
「闪电.skill」发布！用Anthropic的方法论把你的产品提速3倍！
本文是花叔对Anthropic工程师Claude提速复盘的深度拆解，公开了Anthropic用AI辅助做产品性能优化的完整方法，花叔还实战验证了这套方法，整理出可复用的「闪电.skill」工具开源放出。
20万彭博终端，现在免费开源了
4月量化圈开源项目FinceptTerminal平替20万年费的彭博终端。它用C++20开发，性能比肩彭博，有3大硬核能力。项目开源免费，打破金融工具垄断，未来更多机构级工具将被AI改造。
成功率最高暴跌36.9%！南洋理工首个“模糊指令”测试，直击具身智能落地软肋
南洋理工大学MARS Lab团队联合发布测试基准REI-Bench，量化现有具身智能大模型缺陷。在其测试下，主流任务成功率最高降36.9%。研究还剖析错误原因，给出解法，望引起学界重视。
彻底封杀！Anthropic第四刀砍向龙虾，开发者哀嚎，两大创始人互喷！
前天Anthropic封杀OpenClaw订阅额度后，24小时内又在官方轻量化命令行工具查人，提示词含“OpenClaw”就返回400错误。两大负责人隔空交火，开发者各寻出路，这或成Anthropic战略失误。
大语言模型逻辑评估
现有归因问答评估方法有‘归因短视’问题，研究团队提出 LOGICSCORE 框架，从三维度量化推理质量。在多数据集测试多款 LLM，发现专有、开源模型等存在不同逻辑问题，还分析典型逻辑错误。