搜索：密集预测任务

「密集预测任务」共找到 2357 篇相关文章

干掉 90% 的 BI 工程师：自动生成 SQL、洞察、预测，连图表都帮你画好

介绍了基于LLM和RAG的结构化数据问答系统，它能将查询转化为SQL语句执行，生成数据图表及分析。其看板用法新颖，可进一步分析、预测，免去大部分BI工作，对非技术分析人员友好。

凌晨，DeepSeek开源新项目Engram并公开论文。Engram用可扩展的O(1) N - gram记忆替Transformer早期层节省算力，在多方面实验表现出色，如推理任务增幅大于知识任务，还分析了其机理和系统效率。

中国科学技术大学等机构团队提出Flow - OPD，这是首个将OPD引入流匹配模型的统一多任务后训练框架。它解决了流匹配模型后训练对齐中多任务的梯度冲突等问题，效果良好，未来有多个拓展方向。

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。

TRAE SOLO 移动端正式上线，同时 Windows 版本也同步发布，实现手机、PC、Web 三端全量开放且无需邀请码。它能完成多种任务，三端任务信息实时全量同步，设备配对简单，在生产力场景实测效果出色。

AutoGPT 是基于 GPT - 4 的开源自主智能代理，在 GitHub 上超 176K 星，速度超 PyTorch。它能解决复杂任务自动化等痛点，具备持续自动任务等核心功能，还给出使用指南，在同类型项目中领先。

前OpenAI核心研究员Jason Wei跳槽Meta后，在斯坦福大学AI Club演讲，提出理解2025年AI发展的三个核心思想：验证者定律、智能的锯齿状边缘和智能商品化。他认为AI将解决可验证任务，智能成本会趋近零，且各任务发展不均衡。

原来，Scaling Law在32年前就被提出了，不是2020年的OpenAI、不是2017年的百度，而是1993年的贝尔实验室。在一篇文章里提出一种预测方法，研究人员可以预测模型在更大数据集上的表现，这和现在大家常提的Scaling Law几乎一致。

UC伯克利大学副教授Sergey Levine提出，为何语言模型从预测下一词中学到很多，视频模型从预测下一帧却学得少。他指出LLM可“抄近路”模仿人类推理，像在“柏拉图洞穴”中，还探讨了AI走出困境的方法。

剑桥大学等机构研究指出，大模型执行长时任务易翻车，问题不在推理而在执行能力。研究人员评估多个指标，发现单步准确率提升可让任务长度指数增长，还研究了自条件化等影响及模型规模的作用。