「测试时深思」共找到 2277 篇相关文章
Meta提出数据筛选的理论：何时“少即是多”成立？
Meta针对机器学习领域‘少即是多’悖论提出理论框架，用高维统计等方法推导测试误差缩放定律，揭示数据筛选‘相变’条件，为实践提供指导，还重新定义‘数据效率’意义。
你的「龙虾」真记得你吗？剑桥发布长期个性化记忆基准ATM-Bench
剑桥大学团队开源面向AI个人助理的长期记忆基准测试ATM - Bench，评估AI面对真实生活数据时能否「记住你」。实验结果不佳，专用和通用智能体系统准确率低，凸显长期个性化记忆问答难题。
Karpathy头疼的“AI游戏困境”，被这款15分钟出包的国产神器破解了
8月初Andrej Karpathy指出通用AI做游戏时，LLM无法高效审查工作的弱点。而国产平台Spellcaster能先解析自然语言确定游戏设计，15分钟出包，还内置测试员验证，团队想工程化落地新方向。
推理token减少46%！Meta新方法缩短思维链，告别重复推导
Meta等联合提出元认知复用机制，让模型总结解题思路，提炼为“行为”存于“行为手册”。实验显示，该机制在数学基准测试中显著优化，保持准确率时最多减少46%推理token使用量。
The Batch: 896 | 教会模型说出真相
大型语言模型有时会隐瞒未遵守约束条件的事实。研究人员微调 GPT - 5 Thinking，使其违规时能‘自白’。通过强化学习训练，测试显示微调模型在多项评测中多能承认问题，自白机制可监控模型行为。
一码难求的 Dia 浏览器，有了新进展
Dia 浏览器处于 Alpha 内测，需邀请码体验。测试反馈超预期，将打磨细节后发布。其优势是使用 AI 时能方便代入上下文信息，Chat 交互将成主流，Arc 部分功能会融合进 Dia。
10%训练数据超越100%表现，机器人学习领域迎来重要突破
密歇根大学和瑞典皇家理工学院团队提出 ViSA - Flow 框架，能从人类视频提取语义动作流，提升机器人数据稀缺时学习效率。在 CALVIN 测试中，用 10% 训练数据超越 100% 数据方法，有技术优势也存在局限。
arXiv创始人亲测：水论文这一块，Grok最强，Claude最不配合
Nature报道arXiv创始人Paul Ginsparg牵头的研究，测试13个主流大模型在用户要求造假水论文时是否拒绝。结果Claude最守底线，Grok和ChatGPT较易“配合”，多轮对话中模型易动摇，论文激增危害多。
不吹不黑，在Agent任务上，kimi 2.6确实让我忘了Claude。
Kimi K2.6发布并开源，代码和Agent能力提升。作者测试发现，它在部署Claude Code源码、网站生成、多智能体任务等方面表现出色，审美提升，思维活跃，还能复刻文档风格，开源释放了前沿编程能力。
MetaShuffling：Meta的Fused MoE kernel工程方案，更激进的Kernel优化和尽量避免Padding
文章介绍Meta的Fused MoE kernel工程方案MetaShuffling，可高效部署Llama 4模型。它处理MoE推理挑战，介绍多种token选择路由方案，阐述运行时设计、不同并行化方式及优化思路，还展示性能测试与Trace分析。