02:20Perplexity@perplexity_ai精选Perplexity AI 宣布其 Deep Research 功能基于全新的 Search as Code 架构构建。该架构让模型能够编写代码来动态组装搜索过程,针对每个问题并行运行数千个检索步骤。在各项基准测试中,该系统的表现均超越了传统的深度研究方法。这一进展意味着 AI 搜索可以更高效、更精准地处理复杂研究任务。AI产品PerplexityDeep ResearchSearch as CodeAI搜索架构创新推荐理由:Perplexity 用代码驱动搜索的方式解决了传统深度研究效率低、泛化差的问题,做信息检索或研究分析的团队值得关注这一新范式。原文
11:22arXiv cs.LG@Jose E. Escrig Molina, Baoquan Chen, Daniel Probst精选Graph Set Transformer (GST) 是一种专为图集(sets of graphs)学习设计的新型神经网络架构,解决了现有方法需先用GNN编码图嵌入、导致特征提取与集合上下文建模分离的瓶颈。GST在每一层交错进行节点级特征传播和图间上下文建模,并通过门控机制融合两类信息。在合成数据集和三个真实基准(原子反应中心识别、反应产率预测、图像分类)上,GST在相同参数量下优于DeepSets、SetTransformer等基线。消融实验表明,局部与集合上下文的交错融合是性能提升的关键。论文图神经网络集合学习Graph Set Transformer架构创新图集推荐理由:做图神经网络或集合学习的研究者,GST解决了图集任务中局部与全局信息割裂的痛点,代码已开源,值得复现对比。原文
23:25Gary Marcus@GaryMarcusGary Marcus 引用 Noam Brown 的观点,认为当前 AI 模型的智能是推理计算的函数,但指出人类大脑仅用 20 瓦就能实现高度智能。他提醒,长期来看,新架构创新可能与原始算力同等甚至更重要。Noam Brown 则强调,自 2024 年起,比较模型不应只看单一指标,而应关注每 token 或每美元的智能产出,尤其在 Codex 等产品中。行业推理计算架构创新智能效率Noam BrownGary Marcus推荐理由:AI 从业者常陷入算力竞赛的思维定式,Marcus 的提醒点出了架构创新的长期价值,做模型选型和研发的团队值得一读。原文