AI - Oscar's News

Anthropic与政府最新纠纷中需要关注的三件事 →

Anthropic因其Mythos AI模型引发政府审查，引发了对监管监督和人工智能安全标准的质疑。这场纠纷突显了人工智能开发者与联邦政策制定者之间关于透明度、安全协议和人工智能发展步伐的持续紧张关系。

《麻省理工技术评论》报道了位于北海下方世界上最深、最长的海底公路隧道，这是水下基础设施建设中的破纪录工程壮举。该隧道位于海床以下约1000英尺处，展示了先进的海底施工技术。该项目展示了尽管环境条件极端，深水运输基础设施仍具有可行性。

第一手账户揭示了位于北海以下300米深处世界上最深、最长的海底公路隧道内的条件，工程师们在那里与压倒性的水压和恶劣的水下环境作斗争。该隧道代表了海底基础设施工程和水下建筑技术的里程碑成就。该项目展示了深水运输基础设施的技术可行性和挑战。

提出了MAMO，一种多智能体强化学习方法，能够自主学习适当的奖励权重，在动态系统中平衡成本最小化与约束满足。将任务执行与目标设计解耦，为手动权重选择不可行的约束优化问题提供更鲁棒的解决方案。应对非平稳环境的挑战，其中目标的相对重要性可能会变化。

介绍了MACR，一个多智能体框架，通过显式冲突解决而非简单地优先考虑一个来源来解决大语言模型的参数化知识与外部上下文信息之间的冲突。采用三个专门的智能体来诱导规则、分析冲突和解决所有可用知识源中的不一致。在处理内部知识和外部上下文都可能包含错误的情况下证明了显著改进。

开发了一个使用视觉变压器的置信度感知深度学习框架，以自动评估学生生成的科学图纸同时保持可靠性。自动评分高置信度响应，将不确定情况推迟以进行人工审查，实现选择性自动化。NGSS对齐评估的实验表明改进的评分可靠性，同时在教室设置中平衡自动化覆盖与风险管理。

提出Lagrange，一个开放词汇的自动驾驶框架，通过使用视觉语言模型将对象提议编码为连续令牌，将稀疏计算效率与语义推理相结合。将自动驾驶决策框架化为拉格朗日优化问题，确保在复杂现实场景中的运动学可行性和碰撞回避。在标准和长尾驾驶基准上展示了强大的泛化能力和可解释的输出。

针对数据稀缺场景，提出了一种深度迁移学习方法，通过周期多激励程序利用真实系统的内在非线性来进行基于振动的故障诊断。引入新的数据可视化和增强技术，使预训练的CNN能够有效处理稀缺标签数据。在铁路接触网数据上的验证证明了该方法在处理强数据稀缺条件下的有效性。

介绍SoftSkill，一种将自然语言技能描述转换为紧凑连续上下文向量的方法，该向量指导LLM行为，无需模型在推理时重新解读冗长的Markdown文件。在替换数百或数千个令牌为潜在控制向量的同时，实现了显著的精度改进。结果表明任务技能更好地表示为紧凑潜在控制，而不是额外的文本指令。

研究是否可以从图形用户界面交互轨迹中自动挖掘显式技能库，通过三阶段管道（轨迹分割、聚类和训练技能感知策略）来改进计算机使用代理策略。实现了对工作流标签具有高纯度的可读聚类。但发现虽然轨迹挖掘暴露了可检查的技能结构，当前方法仍无法可靠地改进跨域策略性能。