跳到正文

全部动态

按时间排列的全部内容。默认只显示通过双重评分的入选条目;切换到“全部收录”可以检索所有抓到的资料。

123 条收录动态,更新于 03:48

全部收录包含没有通过评分的资料,标题以常规字体显示并标为“未入选”,只供检索,不写入选理由。

10月22日

星期四,2 条
  1. 斯坦福 CS 329Z 第9讲:Agent 系统优化选型图

    斯坦福 CS 329Z(Fall 2026)第9讲给出 Agent 系统优化选型图:前提是数据、系统、评估指标三样齐备,一般先做上下文优化(prompt 与 few-shots),不够用、想蒸馏到小模型或 prompt 过长时再改权重。

    引用meng shao@shao__meng

    CS 329Z: Engineering AI Agents Stanford / Fall 2026 @stanfordnlp https://cs329z.stanford.edu/ 课程定位:从"模型"到"系统"的工程学 覆盖:简单 LLM 流水线 → 复合 AI 系统 → 自主 Agent。三位讲师的背景也高度互补: @Diyi_Yang(斯坦福 NLP 教授,人机交互与社会计算方向) @michaelryan207(DSPy 核心贡献者,自动评估 AutoMetrics 作者) @jyangballin(SWE-agent / SWE-bench / SWE-smith 作者,软件工程 Agent 领域最重要的研究者之一) # 课程主线:三大工程挑战 贯穿全课的三个核心问题——分解(decomposition)、数据(data)、评估(evaluation)。11 周的内容基本围绕这三条线展开,可以分为五个模块: 模块 1:构建基元(Week 2–3) · LLM 作为构建材料:API/SDK(litellm)、结构化输出、约束生成、解码策略、test-time compute、上下文工程、模型选型与成本/延迟权衡 · RAG:embedding、向量库、分块策略、混合检索、cross-encoder 与 ColBERT 后期交互 · 工具调用:函数调用 API、MCP(Model Context Protocol)、工具设计、代码沙箱、错误处理与重试 模块 2:框架与设计模式(Week 3–5) · 框架层:DSPy(signature / module / optimizer)、LangChain/LangGraph、LlamaIndex,重点是"框架抽象了什么 vs. 你手写了什么" · 设计模式:workflow vs. agent 的分类学,五种可组合 workflow 模式,ReAct / plan-and-execute / reflection,"scaffold(脚手架)本身就是设计决策" · 记忆架构:短期/长期记忆、记忆作为工具动作、文件系统作为外化记忆、跨 Agent 记忆(MemGPT、Mem0、Generative Agents) · 多 Agent 系统:编排模式、handoff 与状态传递,以及一个很有态度的对照阅读——既读 AutoGen,也读《Why Do Multi-Agent LLM Systems Fail?》和 Neubig 的《Don't Sleep on Single-agent Systems》 模块 3:优化(Week 5) · 从提示词到微调的全景:GEPA、MIPROv2、OPRO、TextGrad(提示优化);LoRA/QLoRA、蒸馏、RLHF/DPO(权重优化);test-time scaling(推理算力) · 核心问题是决策框架:什么时候优化 prompt、什么时候优化 weights、什么时候堆推理算力 模块 4:数据与评估(Week 6–8)——最有分量的部分 · 数据:trace、demonstration、feedback 三类数据;训练数据 vs. 评估数据;数据飞轮;合成数据;从 Agent 轨迹构建数据集(SWE-smith) · 评估基础:为什么 eval 难;4 元组框架(request / environment / stopping criteria / scorer);好 benchmark 的性质;tinyBenchmarks · 评估基础设施:三类 grader、LLM-as-judge 的 prompt 设计与已知偏差、pairwise vs. pointwise、非确定性指标 pass@k vs. pass^k、harness 设计 模块 5:安全与前沿(Week 8–11) · 安全:工具访问的隐私风险、prompt injection(含间接注入)、红队、沙箱与权限模型、输出护栏、human-in-the-loop · Coding Agent:SWE-agent、Claude Code、OpenHands 的端到端架构对比 · 主动式 Agent:从 reactive 到 proactive,General User Models(GUM)、Next Action Prediction,以及"Agent 何时应主动、何时应等待"的 mixed-initiative 问题 · 开放问题:多模态/web/计算机使用 Agent、科学 Agent、长时运行架构、生产可观测性(tracing、monitoring、成本管理) # 作业设计:一手建、一手评 HW1:从零构建 Agent 系统(10%) 给定论文库,构建能检索并推理回答科学问题的 Agent。 · Part A:只用 litellm 手写 RAG + 工具调用 + ReAct 式 Agent 循环 · Part B:用 DSPy 重建关键组件,并反思框架抽象了什么 HW2:评估一个 Agent(10%) 给定一个预构建 Agent,设计完整评估套件:代码型 grader、至少一个 LLM-as-judge、用 4 元组框架构建 benchmark 任务、错误分析。

    meng shao证据待确认未入选重要性 38
  2. Netflix 研究员分享主观任务 Agent 评测三步路线图

    Netflix 资深研究科学家 Cameron R. Wolfe 发布主观任务 Agent 评测路线图,主张人工评测、离线自动评测、线上监控三步走,并配功效分析、置信区间、重复采样三件统计工具。

    引用Cameron R. Wolfe, Ph.D.@cwolferesearch

    I just published my roadmap for building evals on highly subjective tasks. Here are the key steps involved and practical tricks for reducing noise / increasing confidence… Blog is here: https://cameronrwolfe.substack.com/p/subjective-evals Why is this difficult? Evaluating agents is already hard due to their broad scope, emphasis on expensive / long-horizon tasks, and non-determinism. Subjective tasks make this even harder because we cannot deterministically verify solutions and must rely on human judgments (or LLM judges). This introduces additional noise into an already difficult evaluation process. Evaluation roadmap. We can build reliable evaluations using a repeatable framework with three components: - Human evaluation: Our North Star for quality. Create quality guidelines that clearly define quality with the help of subject-matter experts, calibrate human evaluators to ensure agreement, and continually monitor evaluation quality. - Offline evaluation: Use calibrated LLM judges or task-specific rubrics as an efficient proxy for human evaluation. This allows us to scale experimentation without relying on expensive human evaluation for every new model. - Production monitoring: Track quality signals from real-world agent usage and use A/B testing to validate improvements before fully deploying a new agent. Multi-stage evaluation. These components form a tiered evaluation process: Offline evaluation → Human evaluation → Production A/B test → Full deployment We can test many ideas automatically, send promising candidates to human evaluation, and validate improvements through production A/B testing. Continual production monitoring then allows us to discover new use cases / failure cases in production that we can add into the earlier stages of evaluation to create a feedback loop. Sampling useful data. Evaluation quality depends heavily on which tasks we select. We want tasks that are diverse, realistic, difficult, discriminative, and accurate. Techniques like structured task taxonomies, model-based difficulty filtering, Item Response Theory (IRT), and LLM-based auditing help us construct more informative evaluation sets. Handling noise. We should leverage statistics throughout the evaluation process: - Power analysis: Estimate the number of evaluation samples needed to detect meaningful improvements. - Confidence intervals: Quantify uncertainty and provide clear confidence signals alongside evaluation results. - Re-sampling: Repeat agent / judge evaluations to reduce within-task variance and potentially tighten confidence intervals. - Paired comparisons: Evaluate models on the same tasks to more reliably detect performance differences. Key takeaway. An improved benchmark score does not always mean our agent is more capable. We need well-designed evaluation tasks, calibrated human / model evaluators, and statistical confidence signals to distinguish meaningful capability improvements from noise (especially on subjective tasks). By combining these techniques into a repeatable evaluation process / roadmap, we can make building and maintaining evaluation suites more systematic, reliable, and scalable.

    meng shao证据待确认未入选重要性 47

10月21日

星期三,2 条
  1. MIT 6.S950 第五讲更新:拆解 Agent Harness

    MIT 公开课 6.S950 第五讲讲义更新,用约 300 行 Python、两个工具(search、read_lines)、本地 Ollama 跑模型的教学 Agent「Baby Anigans」拆解 Agent = LLM + Harness。

    引用meng shao@shao__meng

    https://x.com/i/article/2103456568209768449

    meng shao证据待确认未入选重要性 38

10月20日

星期二,2 条

10月19日

星期一,5 条
  1. Claude 用游戏讲解 AI 对齐

    在《钻石年代》中,Neal Stephenson 设想了一本书,它能发明游戏和故事,在小女孩成长过程中教她所需的知识。我尝试做了一个小版本。我把关于对齐的头脑风暴文档给了 Claude,让它做一个类似塞尔达的游戏,教人们了解 AI 对齐。这是成果 🪁 简版:它很擅长构建世界,但在理解玩家方面仍然较弱(详情见下)

    Thomas Wolf证据待确认未入选重要性 22
  2. 研究论文与综述文章:该写哪一种?

    SciSpace 发布指南,对比研究论文与综述文章的区别:研究论文报告原创调查发现,综述文章则综合已有研究、评估证据一致与冲突之处并指出未解问题。指南梳理了两类文章的常见类型与结构,并说明选择取决于研究目标、已完成的工作和目标期刊要求。

    SciSpace官方证据待确认未入选重要性 12

10月18日

星期日,2 条

10月17日

星期六,2 条
  1. Claude 近期六个项目精选

    过去几周引起我们关注的六个项目: 一个野火分析原型,用 Opus 5.5 制作,可绘制火势随时间的蔓延情况并追踪热点。

    Claude证据待确认未入选重要性 18

10月16日

星期五,3 条
  1. DeepSeek API 求解成本估算

    每个已解决案例的模型成本约 $0.30–$0.35。 该估算采用 DeepSeek 的错峰 API 费率,并包含在 RoboTwin、LIBERO 和 LIBERO-Pro 上的失败尝试。40 个展示回合平均每个 $0.13。

    Hao AI Lab证据待确认未入选重要性 18
  2. SciSpace 案例研究指南:定义、设计与示例

    SciSpace 发布案例研究指南,将其定义为在真实情境中对个人、组织、事件或现象进行深入考察的研究方法,并区分探索性、解释性与描述性三种类型。指南给出六步设计流程,从界定研究问题、选定案例、文献综述与框架搭建,到选择数据收集方法、分析证据和呈现结论。

    SciSpace官方证据待确认未入选重要性 8
  3. Databricks AI 研究团队如何使用 AI Runtime

    Databricks AI 研究团队自去年 AI Runtime(AIR)推出起便作为首位客户,用它开发、训练和测试支撑 AI Functions 的模型。AIR 提供 GPU 预检与节点健康监控,可隔离故障节点,避免数百块 GPU 因单点故障闲置;配合 AIR CLI、自定义 Docker 容器和 MLflow 自动实验追踪,训练任务可在数秒内启动。

    Databricks:Blog厂商自述未入选重要性 40

10月14日

星期三,1 条
  1. SciSpace 指南:通用研究目标与具体研究目标如何写(含示例)

    SciSpace 发布学术写作指南,讲解通用研究目标与具体研究目标的区别及写法。通用目标陈述研究的总体目的,通常一个;具体目标将其拆解为可独立评估的任务,聚焦型学生论文通常写 2 到 5 个。指南给出公共卫生、教育、商业三领域示例,并列出定义研究问题、写通用目标、拆解具体目标、选用可测量动词、检查可行性与一致性五步流程及常见错误。

    SciSpace官方证据待确认未入选重要性 12

10月11日

星期日,1 条
  1. 当 AI 学术检索自行生成查询文本:Aaron Tay 分析语义检索中的假设性文档扩展

    Aaron Tay 在测试一款 AI 学术检索系统时,通过 Chrome DevTools 记录浏览器网络流量,发现系统在语义检索环节并非直接嵌入用户原始查询,而是把原始查询与一段 LLM 生成的、类似相关文档的文本拼接后再生成嵌入。

    Aaron Tay · Musings about Librarianship证据待确认未入选重要性 58

10月9日

星期五,1 条
  1. Ai2 如何为 GPU 集群设计高影响力调度系统

    Ai2 用包含 GPU 时间预算、分层公平份额分配和时间切片契约的系统替换了原有基于优先级的调度器,把各研究项目该分多少 GPU 时间的争论从逐案运维事务转为透明的行政预算流程。Ai2 管理着数千块 NVIDIA H100、B200 和 B300 GPU,集群规模从 88 到 1024 块不等,服务约 150 名内部研究者,提交的工作负载对 GPU 的需求常年是可用量的 2-3 倍。

    Ai2 / Allen Institute for AI官方厂商自述未入选重要性 38

10月8日

星期四,6 条
  1. 学术 CV、biosketch 与研究者档案:各自该写什么?

    SciSpace 发布研究指南,区分学术 CV、biosketch 与研究者档案三类文档:学术 CV 全面记录教育、职位、论文、基金、奖项等;biosketch 聚焦与特定项目或基金相关的资格与贡献,强调相关性而非完整性;研究者档案则是在线展示研究身份与成果。指南提醒具体要求因机构、资助方、出版商或平台而异,提交前须核对说明。

    SciSpace官方证据待确认未入选重要性 12
  2. 作者用 Hugging Face ML Intern 两天自建六个模型,总花费约 103 美元

    作者在 HuggingChat 中开启 ML-intern 模式,用提示词描述需求,由智能体完成规划、预算确认、小规模测试、训练、评估与发布,几天内做出六个公开模型,总 GPU 与 CPU 费用约 103 美元。

    入选理由作者用 ML Intern 在两天内自建六个小模型,公开了完整提示词与每项算力花费,研究者可据此评估智能体代跑训练流程的可行边界。

    Hugging Face Blog官方证据待确认重要性 76
  3. SciSpace 指南:如何一步步做系统综述(含真实 PRISMA 示例)

    SciSpace 发布系统综述分步指南,以 Dr. Ullah 的真实综述为例,演示如何将 4,634 条检索记录筛选至 74 篇纳入研究。指南覆盖确认综述必要性、定义并试点研究问题、构建可复现检索策略、设定纳入排除标准、筛选研究、数据提取、证据综合与报告质检八个步骤,并强调用 PRISMA 流程图记录筛选决策。

    SciSpace官方可用产品未入选重要性 38
  4. SciSpace 发布七步流程,核查 AI 生成引用与论断

    SciSpace 基于 Joanne Donoghue 教授的讲座整理出一套七步工作流,用于核查 AI 生成的研究内容:先识别虚构论文、错误 DOI、作者名单错误、结论被曲解、编造统计量、虚假指南建议和虚假共识等错误类型,再依次定义证据标准、核验文献记录、获取全文、追溯论断出处、比较研究间差异并审计参考文献。

    SciSpace官方可用产品未入选重要性 58

10月7日

星期三,3 条
  1. SciSpace 发布期刊俱乐部讨论准备完整指南

    SciSpace 发布《准备一场好的期刊俱乐部讨论:完整指南》,提出从研究问题、研究意义、方法学批判、统计功效到图表解读的准备流程。指南建议用 PICO 框架拆解临床或干预研究,并提醒关注样本量、随机化与盲法、主要与次要结局,以及置信区间和效应量,而非只看 P 值。

    SciSpace官方证据待确认未入选重要性 12
  2. SciSpace 发布文献综述写作指南:附注释范例与七步流程

    SciSpace 发布文献综述写作指南,用一篇虚构教学范例演示如何围绕主题比较研究、指出证据差异并引出研究空白。指南给出七步流程:界定综述问题、统一记录证据、核查可比性、按主题分组、撰写综合、确立空白、核对原文。内容整合自 3 场 SciSpace 网络研讨会,并演示将 Literature Review Agent 限定在选定的 Zotero 馆藏内提取字段。

    SciSpace官方可用产品未入选重要性 22