搜索：科学多任务学习

「科学多任务学习」共找到 3304 篇相关文章

强化学习新发现：无需数学样本，仅游戏训练AI推理大增

莱斯大学、约翰斯・霍普金斯大学和英伟达研究团队有颠覆性发现，让多模态大语言模型玩简单游戏，无需数学样本，就能显著提升其多模态推理能力。提出的ViGaL方法在多个基准测试中表现出色。

文章介绍 MCP（Model Context Protocol），它是实现 LLM 与外部能力高效互联的协议，像 USB - C 接口。其采用客户端 - 服务器架构，可让 LLM 突破能力边界。与 Function Calling 相比，MCP 成本低，能让业务团队参与构建智能体。

Transformer作者之一创立的SakanaAI推出Text-to-LoRA（T2L），简化模型适配流程，省却繁琐微调。T2L参数压缩率达80%仅降1.2%准确率，零样本场景平均准确率78.3%超现有SOTA方法，开启“一句话定制模型”时代。

Claude Code发布Agent View，它像给Claude Code的tmux，能将多个Claude会话状态分类展示，帮用户分配注意力。它把Anthropic内部工作流产品化，有会话与窗口解绑、工作树隔离等设计。

ICML 2026 部分论文被 desk reject，因 reviewer 用 LLM 写 review。ICML 用带诱导的隐式水印检测，引发支持与反对争议。有论文提出从文本检测转向判断检测，还开发 J - Detector，结合文本检测准确率达 99.3%。

本文是 CuTe DSL 4.3.5 文档翻译，介绍了其核心概念、使用方法、与 CUTLASS C++ 关系等。它通过 Python DSL 降低 CUDA Kernel 开发门槛，支持 JIT 编译、多种架构，还说明了当前限制与未来计划。

美国签证体系成本高、周期长、透明度低，前微软科学家Priyanka Kulkarni创办Casium，用AI改造签证服务，把材料准备时间大幅缩短，近期获500万美元种子轮融资。新规下，其服务更显重要。

本文介绍清华大学和CMU提出的SAC Flow新方案，可端到端优化流策略。它将流策略视作residual RNN，用GRU和Transformer结构稳定训练。在多环境测试中表现优，有稳定、快速、样本效率高的特点。

过去LLM训练多依赖PBRFT范式，但局限明显。2025年初起，Agentic RL新范式受关注。此综述论文梳理该方向，覆盖500+研究，构建理论框架，讨论未来挑战，助LLM从「会说」迈向「会做」。

吴恩达分享在AI项目中获取实践经验的技巧，若时间有限，可缩小项目规模。他以构建“听众模拟器”为例，展示如何在有限时间利用编程助手完成基础版本，还能获反馈推进项目。