跳到正文

#部署/工程

今日 0 条
11月17日周二
  1. Microsoft Research66

    TokenEconomizer:让 AI 编码智能体从历史会话中学习以降低 token 成本

    微软研究院联合 UC Berkeley 和 Microsoft Security 提出开源插件 TokenEconomizer,它从编码智能体在仓库中的历史会话学习,在不修改智能体和底层模型的情况下减少重复探索、无用工具加载和失败循环。

    推荐理由:微软研究院等机构提出的插件在不改动智能体和模型的前提下,用仓库历史降低编码智能体的 token 成本,并给出多组合实测数据。

11月10日周二
11月5日周四
10月1日周四
9月24日周四
7月8日周三
6月27日周六
6月25日周四
  1. Google Research34

    Google 用线性弹性缓存优化云成本:Spanner 内存用量降 15.5%

    Google Research 提出线性弹性缓存,把页面淘汰建模为滑雪租赁问题,用轻量机器学习动态调整缓存大小,在 Spanner 生产环境实测内存用量降 15.5%、缓存未命中仅增 5.5%、TCO 降约 5%。该方案用浅层决策树为每个页面预测 TTL,缓存写满时仍由 LRU 兜底,并已在公开缓存 trace 上验证。

4月22日周三
  1. Google DeepMind62

    Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构

    Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构,将大规模训练拆分为解耦的计算岛并异步传输数据,从而隔离局部硬件故障。该架构基于 Pathways 与 DiLoCo,测试中用混沌工程注入硬件故障后仍能继续训练并重新接入失效单元,用 Gemma 4 验证的 ML 性能与传统方法持平。

    推荐理由:原文给出跨数据中心异步训练的具体带宽与加速数据,读者可据此判断分布式预训练的工程可行性。

4月20日周一
  1. Berkeley AI Research40

    GRASP:面向世界模型的基于梯度的长时程规划器

    Berkeley AI Research 提出 GRASP,一种面向学习动力学(世界模型)的基于梯度的规划器,通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代上直接加入随机性以探索、并重塑梯度让动作获得清晰信号,同时避开高维视觉模型中脆弱的“状态-输入”梯度,使长时程规划变得可行。