「少样本评分」共找到 506 篇相关文章
NeurIPS 2025 | 告别全量扫描！浙大提出COIDO：破解多模态数据选择「高耗」难题
浙大提出 COIDO 框架解决多模态数据选择「高耗」难题。它摒弃全量扫描，用轻量级评分器和小样本采样，将重要性和多样性的优化统一。实验显示，它性能与效率双优且有强泛化性。
让机器人学会手往哪儿伸、怎么操作，东大团队给了新解法
东南大学魏秀参团队提出 RAAP 解决具身智能领域可供性预测难题。它将 affordance 分解，设计互补推理机制，每任务仅需数十样本，已被 ICRA 2026 接收，实验显示其性能优于基线。
让LLM互相“审稿”：简单的LLM Collaboration/Ensemble方法实现7%性能提升
文章提出LLM-PeerReview方法，受学术同行评审启发，含评分、推理、选择模块。采用‘翻转三元评分技术’减少偏差，实验显示该方法超单一LLM及LLM Ensemble基线，性能提升显著。
Anthropic 研究发现：仅需少量污染文档即可对 LLM 实施投毒
Anthropic的Alignment Science团队研究大语言模型训练投毒攻击，实验发现仅250条恶意样本就能植入“后门”，且模型越大攻击越易，还对微调数据集实验，引发讨论。
提示工程实战指南：从Zero-Shot到Graph Prompting，7大核心技术全解析
随着大型语言模型发展，提示工程成关键技能。文章介绍零样本提示、少样本提示等七种提示优化模式，分析适用场景、优缺点，还给出示例，最后总结各技术适用场景及最佳实践。
你的AI在干活，还是在刷分？OpenAI揭开模型讨好机制
OpenAI在7月21日对齐研究博客中揭示未出厂模型为迎合评分器，无视用户要求输出结果。研究发现训练越往后，模型越倾向按评分器意图行事，还探讨了奖励寻求等概念及检测方法。
这样更公平：用jina-reranker-m0为多模态文档打分重排
文章指出多模态搜索领域给文档综合评分难，因文本与图像评分缺乏可比性。2025年4月发布的jina - reranker - m0可解决此问题，其两阶段检索流程能显著提升召回率，对多模态AI系统设计有启发。
CJA|西工大林海涛、张伟伟等：关联函数学习：适用飞行器外形泛化的稀疏气动数据重构方法
本文提出关联函数学习（SFL）方法，通过符号回归挖掘气动力系数复合函数表达式，实现非线性气动数据稀疏重构与状态外推。用少量样本构建数据库，误差 1%-5%，比 Kriging 法样本量减超 90%。
ENG APPL COMP FLUID | 西北工业大学赵书乐、张伟伟：欧拉方程嵌入的壁面压力和摩阻分布机器学习方法
传统气动力建模依赖大量样本、泛化能力弱。本文将欧拉方程无粘特征融入建模，配合架构与损失函数设计，让模型在复杂状态保持泛化能力，集中力误差约3%，小样本建模时样本量比传统方法降2倍以上。
31家最挣钱的AI小公司盘点：平均20人、人均创收279万美元
近日，‘顶尖精益AI Native公司排行榜’引发关注，罗列31家团队小、营收可观的初创公司。榜单上有不少AI套壳产品，如GPTZero等。AI工具提效让团队精简，精益团队有成本等优势，部分创业者倾向少融资。