搜索：迭代循环优化

「迭代循环优化」共找到 1714 篇相关文章

Cursor AI 上下文管理的秘诀

Cursor发表《Dynamic context discovery》文章，讲述上下文管理秘密，提出“动态上下文发现”模式，分享五个优化手段，如长输出变文件、聊天历史变档案等，还阐述了为何用“文件”及相关思考。

作者以SGLang Core Developer身份申请OpenAI的Codex for Open Source计划，本不抱希望，却收到入选通知，可免费使用6个月Codex Pro计划，认为积极参与开源是对的，Codex会加快开源框架迭代。

论文《On the Fundamental Limits of LLMs at Scale》指出，LLM性能提升有理论天花板，扩展中会遇幻觉、上下文压缩等五大根本限制，源于计算、信息与学习理论，未来应转向‘有限优化’。

Anthropic面临模型迭代外的挑战，增长负责人Amol Avasare在访谈中披露公司战略。如应对‘Success Disasters’、降低产品使用门槛、优化引导流程等，还提及增长职能演进。

Sentry开源的XcodeBuildMCP项目，打破传统AI辅助开发手动验证循环，通过MCP和CLI让AI代理操作Xcode构建系统，实现自动化开发流程。它配置简单，能覆盖日常开发需求，助力iOS开发迈向‘无人值守’。

本文提出统一评测Agent架构，实现评测全链路自动化。它能学习标注标准，完成自动标注等工作。还介绍架构、解耦方法、模型优化及训练方案，解决多模态幻觉等问题，提升机审率，节省标注成本。

特拉维夫大学提出HOIDiNi，这是文本驱动的扩散框架，用于生成人体 - 物体交互动作。它引入扩散噪声优化，能兼顾真实感与物理正确性。不过它泛化能力待拓展、生成速度慢，未来需提升效率等。

加州大学伯克利分校团队提出ADRS系统研究方法，基于OpenEvolve框架优化算法。以EPLB算法为例，新算法比人类算法快5倍，成本降26%，且Nature也报道过AI创造新算法新闻。

明尼苏达大学、北大和亚马逊团队研究发现，RL收益集中在中间层，训练单层可超全参数训练。他们提出层贡献度指标，经多模型、算法、任务实验验证，还给出三种训练优化策略。

人大、北大、清华等联合发表149页长时程Agent综述，给出首个统一形式化定义，梳理出‘外化Harness工程×内化模型优化’双螺旋共演化主线，用六个视角串起技术版图。