09:38arXiv cs.AI@Ke Zhao, Zixiang Di, Hong Qian, Xiang Shu, Yaolin Wen, Qitao Shi, Bingdong Li, Xingyu Lu, Xiangfeng Wang, Jun Zhou, Ke Tang, Yang YuMiniOpt是一种强化学习框架,采用“推理-建模-求解”范式来优化问题。其OptReward奖赏函数通过分层分数结构联合评估建模与求解,避免专家演示依赖。在少于10B参数的模型中,MiniOpt系列取得最高平均求解精度(SA)。MiniOpt-3B在多种优化类型和任务领域展示强泛化能力,代码已开源。AI模型MiniOpt强化学习优化开源模型LLM推荐理由:想用小型模型搞定各种优化问题?MiniOpt用3B参数就做到了不错的效果,而且代码开源随便玩。原文
03:44Suhail@SuhailSuhail 在 X 上宣布,他将让自主 AI 科学家(autonomous AI scientist)对新的优化方案进行测试。这条推文暗示其 AI 系统已具备自主实验能力,可以独立探索和验证优化策略。虽然细节有限,但此举展示了 AI 在科学研究自动化方面的前沿应用,可能加速算法或模型调优的迭代。目前推文获得少量互动,但关注度较高(755 次查看)。AI产品自主AIAI科学家优化自动化实验Suhail推荐理由:自主 AI 科学家从概念走向实操,做自动化实验或模型优化的研究者值得关注,看看 AI 如何自己跑优化流程。原文
17:13AI SDK@aisdkAI SDK 7 的 canary 版本引入了详细的步骤性能统计功能,包括步骤耗时、LLM 响应时间、首次输出时间、工具执行时间、每秒 token 数(多种变体)以及输出块之间的时间间隔。这些指标帮助开发者精确诊断和优化 AI 应用的性能瓶颈,提升用户体验。该功能目前处于 canary 阶段,值得关注。AI产品AI SDK性能统计开发者工具LLM优化推荐理由:做 AI 应用性能调优的开发者终于有了量化抓手——不用再靠猜来优化响应速度,建议直接试 canary 版本。原文
00:51Julien Chaumond@julien_cHugging Face 的 Julien Chaumond 在 X 上宣布,团队对数据基础设施业务持乐观态度。他演示了仅用 1 分 55 秒就克隆了 68TB 数据到 Hugging Face 训练存储桶,而本地磁盘只有 4TB。这得益于 Xet 去重技术和基础设施优化。用户可以在 Hugging Face 上托管数据处理管道,利用这些优化。该技术大幅提升了大规模数据处理的效率。AI产品数据基础设施Hugging FaceXet去重大规模数据处理优化推荐理由:Hugging Face 把 68TB 数据克隆时间压缩到 2 分钟以内,做大规模数据处理的团队可以直接用上这些优化,省时又省成本。原文
15:30arXiv cs.AI@Antonio Ielo, Francesco Doria, Sandra Castellanos-Paez, Marco Maratea, Francesco Percassi, Mauro Vallati精选该论文首次提出使用回答集编程(ASP)自动化长期电网规划过程。电网作为关键基础设施,需应对可持续目标、需求模式和城市化趋势,而规划周期可能长达十年,需保持拓扑和组合不变量。传统规划语言难以表达这些复杂约束,而ASP能简洁优雅地编码。实验在合成和真实电网数据上验证了该方法的表达力和有效性。论文电网规划回答集编程自动化基础设施优化推荐理由:电网规划人员终于有了自动化工具——ASP 优雅处理了传统语言难以表达的拓扑约束,做电力系统优化的团队可以直接参考论文方法。原文
01:00Microsoft Research@MSFTResearch精选微软研究院推出GridSFM,一个小型基础模型。该模型能在毫秒内预测AC最优潮流(ACOPF),显著提升电网运行效率。GridSFM为运营商直接提供拥堵、稳定性和系统健康的可视性,并有望帮助降低运营成本。AI模型GridSFM微软基础模型电力系统优化推荐理由:电网优化新利器原文
22:16Ethan Mollick@emollick一项研究指出当前AI模型在生成创造性变体方面存在重大缺陷,导致其在科学研究和多样化写作等领域的应用受限。模型倾向于产出相似的创意,难以突破常规思维。该论文提出了一种通过优化模型参数来提升创造力的方法,为增强AI的创新能力提供了新思路。这一发现对于推动AI在需要原创性和多样性的场景中发挥作用具有重要意义。论文创造性AI模型优化科学研究论文推荐理由:该研究直接指出了当前AI模型在创造性方面的核心痛点,并提供了可操作的优化方向,对AI开发者和研究者具有实际指导价值。原文