跳到正文

#OpenAI

今日 2 条
10月28日周三
  1. Hugging Face Blog67

    Ai2 研究:我们能否信任大语言模型判断研究想法是否新颖

    Ai2 发布研究 Old Ideas, Novel Problems 与评测基准、数据及代码,测试大语言模型判断科研想法新颖性的可靠性,发现提示词微调可使同一模型准确率波动超 50 个百分点。测试涵盖 GPT-5.1、Claude Opus 4.6 等六模型,且检索与额外推理未稳定提升判断,专用评估系统成本更高却弱于简单提示基线。该基准与流水线已开放,可应用于新审稿与其他科学社区。

    推荐理由:该研究发布新颖性判断基准与开源流水线,可供研究者量化自动科学发现流程里原创性评估的不稳定性与影响因素。

10月27日周二
  1. AWS Machine Learning Blog47

    Amazon Bedrock 上 OpenAI 模型的 AI 智能体提示缓存模式

    在 Amazon Bedrock 上使用 OpenAI 模型时,通过提示缓存可复用智能体重复发送的工具定义与指令,降低输入成本。文章演示了结合隐式与显式缓存,利用 prompt_cache_breakpoint 标记静态前缀,使后续请求仅处理新增内容。此前智能体每轮需重读全部历史,导致 token 费用随轮次线性增加。

10月26日周一
10月24日周六
  1. AWS Machine Learning Blog52

    Amazon SageMaker AI 多轮强化学习动手指南

    AWS 官方博客发布在 Amazon SageMaker AI 上实践多轮强化学习(MTRL)训练智能体的动手指南,以 Wordle 展示从部署到评估的端到端流程。实验将 gpt-oss-20b 在保留词上的解决率从 61% 提升至 84%,训练 token 费用约 $339。教程指出同一管道适用于公开模型未训练过的内部多步任务。

10月23日周五
10月22日周四
10月21日周三
  1. Hugging Face Blog69

    FairStress:更深入评估大语言模型决策公平性

    Ai2 发布 FairStress 基准,用于衡量大语言模型在影响人的决策中超越最终选择的群体公平性。该基准包含 300 个双候选决策场景,结合对抗前缀扩展至超过 13 million 测试案例,实验显示模型受挑战时放弃正确决策存在群体不对称,这是 Ai2 开放评估工作的一部分。

    推荐理由:该基准通过引入对抗前缀与身份变量测试决策稳定性,揭示标准公平性评测忽略的隐藏不对称,为干预提供新评估工具。

  2. Hugging Face Blog64

    ALTK-Evolve:学习记忆如何助客服智能体在无前沿模型下登顶 τ²-bench 榜单

    ALTK-Evolve 利用从 GPT-4.1 智能体运行轨迹提炼的行为准则注入系统提示词,使该非推理模型在 τ²-bench 零售客服基准达到 67.5% Pass^4,登顶 October 12, 2026 榜单快照且超越微调模型 RAFT-30B-A3B 达 +6.1 点。该方法无需权重更新或人工标注,在航空域换用 GPT-5.5 后同样登顶,Pass^4 达 82.0%。

    推荐理由:原文给出从智能体运行轨迹提炼行为准则并注入提示词的做法,读者可迁移至同类客服智能体提升可靠性。

10月20日周二
10月17日周六

© 2026 SI·Hot · Super Intelligence Hot · 超级智能热点 · 网站数据均来源于网络公开资料,版权归来源方所有