从"第二使用者测试"看生成式 AI 时代学生项目如何证明理解
重庆 Force Academy 在 G7–G12 学生中推行"第二使用者测试":把看似完成的项目交给另一名学生独立复现、检查或修改,以检验作品脱离原作者后是否仍能成立。
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。
252 条收录动态,更新于 18:14
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。
重庆 Force Academy 在 G7–G12 学生中推行"第二使用者测试":把看似完成的项目交给另一名学生独立复现、检查或修改,以检验作品脱离原作者后是否仍能成立。
SciSpace 发布研究指南,整理审稿人 Lyndon Walker 在学术写作网络研讨会上提出的 7 个 AI 写作危险信号,包括批量生产式研究、复制粘贴痕迹、虚构参考文献、泛化文风、结论与数据不符、试图操纵评审系统以及学术归属丧失。
宇树科技创始人王兴兴在 2026 世界物理 AI 大会上透露,宇树测试显示 GPT-6 在完全零训练情况下已能直接控制机器人完成画画、清洗画笔、下围棋等任务。宇树 G1 目前是全球最畅销的人形机器人,累计下线约 1 万至 2 万台。宇树正在开发"宇树预演"物理 AI 机器人自进化系统,让 AI 模型自行搜集论文、写代码、在仿真环境训练并到真实环境测试,由 AI 打分反馈形成自循环。
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。
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。
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。
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.
终于整理出了一份关于开放模型现状的完整演示文稿。 涵盖它们是什么、许可证、竞争力如何、人们正在使用它们的迹象、蒸馏的影响,以及我们如何平衡开放的风险与收益! 很快会录制这些内容的视频讲座,希望每年能重做几次。
我同意 @DaveARicks 的看法:通过机器人实验室进行大规模数据收集,将是未来科学的重要组成部分。
Well said Vas. AI will help us conquer disease, but this will take time, effort and lots and lots of data that doesn’t exist, yet. I would add that robotic labs will begin to make scaling data more tractable. https://lnkd.in/p/g8qvP5qX
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。
https://x.com/i/article/2103456568209768449
@GoogleResearch 如何选择下一个登月项目?💡 @SineadBovell 与 Michael Brenner 和 Lizzie Dorfman 一起分享了他们的三步框架: 1️⃣ 这是个大问题吗? 2️⃣ 技术能解决它吗? 3️⃣ Google 是否具备解决它的条件? 🎬 观看:https://youtu.be/dxq-3pimV-E 订阅:https://goo.gle/GoogleResearch
AI 会“解决科学”——还是拓展科学?🔬 在 @GoogleResearch 播客第 2 集中,@SineadBovell、Michael Brenner 与 Lizzie Dorfman 探讨了技术在发现中的作用。 核心要点:生成模型加速突破,但人类的好奇心驱动愿景。 👉 https://youtu.be/dxq-3pimV-E
alphaXiv 认为科研智能体的采用仍处早期,当前大致相当于编程智能体 12-18 个月前的水平:多数研究者只愿把范围狭窄的单项任务交给智能体,模型使用也集中在少数闭源前沿模型上。其预测,多数研究者很快会让智能体端到端探索实验路线,开源模型也将成为有竞争力的替代选项。相关排名可在 openresearch.sh/rankings 查看。
2026 法兰克福书展上,关于 AI 的讨论焦点从能力转向权限、责任与可信内容能否被实际发现和使用。Research Information 的 Scholarly Publishing: Trends for Constructive Growth 报告显示,学术机构被普遍认为对 AI 准备不足,科研诚信虽是共同优先事项,但产业界与学术界的进展认知存在差距。
LSE Impact Blog 刊文主张,高校学者作为知识生产者与教育者,负有伦理责任捍卫 Wikipedia 等开放知识社区。文章称生成式 AI 产品分流读者、未经授权抓取内容,而 Wikipedia 由志愿者社区运营、依赖读者补充新血。
AI 初创公司 Goodfire 研究员 Nick Cammarata 在一篇 2.6 万字博客中提出,大语言模型内部机制可能远比此前认为的更容易理解,从而更易监控与控制。他称自己每天花约 10 小时观察神经元,重新分析 Inception v1 后认为此前对"叠加"现象的解读有误。斯坦福大学 Chris Potts 等研究者则认为这目前只是猜想,并未让问题变简单。
Terence Tao 在其博客中给出 Ben Green 对"无 Siegel 零点"证明的简化梳理,该证明出自 OpenAI 近期发布的一篇九页论文,几乎完全依赖代数数论与数的几何。Green 建立的关键界在尺度接近平方量级时比 Mertens 定理给出的平凡界改进约一个因子,从而排除 Siegel 零点。Tao 披露使用新的 SAIR 开放数学模型辅助理解预印本。
Sharp 等人在 Nature Machine Intelligence 发表论文,考察 AI 智能体获取机会不均以及智能体质量与数量差异带来的影响。研究构建概念框架以识别潜在的不平等来源,并提出研究议程以应对由此产生的社会挑战。
Import AI 作者在曼谷 IMF 会议上发表 Per Jacobsson 讲座,称今年已获得令人信服的证据表明奇点已经开始,呼吁经济学家、银行家和政策制定者预期未来的剧烈快速变化。他以 Anthropic 内部研究人员产出的代码量约为公司前四年近 10 倍为例,说明 AI 已在软件开发等领域增强并自动化人类劳动。演讲重点讨论人类如何通过远见与克制共享 AI 带来的科学进步收益。
中国工程院院士徐兵河指出,中国抗肿瘤新药研发正从参与国际多中心研究转向源头原创,2025年前8个月新药出海靶点覆盖CD3、PD-1/PD-L1等。其团队主导的吡咯替尼在PHILA头对头研究中PFS和OS均显著优于对照组,国产CDK4/6抑制剂达尔西利Ⅲ期DAWNA-1研究也显著延长中位PFS并已获批上市。
Digital Science 旗下 Symplectic Elements 以 OA Monitor 等工具减少开放获取带来的手工行政负担,支持一键存缴与后台自动采集数据。
神经科学家发现,皮层与纹状体等通用型回路因高度递归、任务多样,无法像视网膜或鸟鸣回路那样被拆解为顺序前馈的机制解释,实时记录或操控活动时模块化图景随即消失。作者据此提出,面对这类复杂分布式系统,研究者或需接受其复杂性,并重新界定神经科学中"理解"的含义。
过去5周内至少发生两起AI公司先于科学家公布研究结果的事件:OpenAI称其AI智能体解决了数学家特里斯坦·巴克马斯特与Anthropic数学家合作研究的纳维-斯托克斯问题,Anthropic称Claude发现新型酶系统ART,哥本哈根大学博士生马里奥·罗德里格斯·梅斯特质疑与其团队未发表研究重合,但无证据证明公司直接使用这些成果。
Terence Tao 在博客中汇总了近期演讲与访谈,包括 8 月 28 日 Big Think 访谈、9 月 17 日 IPAM 关于 AI 时代 PDE 验证与算法的研讨会报告、10 月 9 日 Caltech 公开讲座“Math 2.0”,以及 10 月 15 日 Numberphile、10 月 16 日《纽约时报》的访谈。
Francesco Maggi 在 Terence Tao 博客客座文章中提出,LLM 已能生成数学证明,如带强迫项的 Navier–Stokes 方程有限时间爆破解构造和准黎曼假设证明提案,但需数学界持续独立审视。
在第六届智能计算创新论坛上,中国科学院院士励建书提出,AI赋能下数学研究范式可能改变,单纯为发表论文的研究价值将大幅下降,对顶尖数学家的需求会大大增加。他倡导启动“未来数学计划”,建立完全开放、不依赖单一公司的“AI+数学”创新共同体。他还指出Math for AI的数学基础研究仍滞后,AI目前主要靠工程师推动。
Anthropic 联合创始人杰克·克拉克称,公司内部模型预测在特定条件下到 2030 年 AI 能让美国经济产出提升近 50%,GDP 达 44 万亿美元。他同时警告 AI 发展可能超出人类管控,呼吁为这项技术制定严格规则,并称生物研究领域需最严格的人工监督与信息透明机制。
单步成功率99%时,10步任务无失败完成的概率约90%,100步降至37%;若每次失败可重试一次且失败相互独立,37%可升至约99%。但重试并不简单:响应超时可能导致动作重复执行,失败也可能改变系统状态,且失败未必独立。因此长周期智能体不只是大语言模型问题,周边系统同样关键。
中国科学院院士、北京大学讲席教授鄂维南在光华思想力论坛上预测,AI 将大幅降低科研门槛、推动"科研平权化",未来民科是科研的主力,每个有想法有能力的团队和个人都可参与科技创新。他提出构建 AI 原生工业软件体系,称一两年内可做成对标甚至超越西门子的体系,工业生产线建模则需三年、最多五年。他还警示现行科研体系面临挑战,科研成果形态将从论文转向知识产权。
前美国国家安全委员会与商务部官员 Saif Khan 创立智库 Center for Technology and Statecraft(CTS),其 DUV 报告预测,若现在停止相关设备出口,到 2030 年代中期中国生产的 AI 芯片数量可能比美国少约 100 倍。Khan 认为,理解从芯片制造工具到 Token、机器人的 AI 供应链,能让政策研究更具前瞻性和可预测性。