10:57
arXiv cs.LG@Christopher B. Womack, Shahine Bouabid, Andrei Sokolov, Popat Salunke, Glenn Flierl, Sebastian D. Eastham, Noelle E. Selin
推荐理由：这篇论文告诉你，与其堆模型复杂度，不如优化训练数据——用同一个气候模型设计动态丰富的情景，能让仿真模型比用六个标准路径表现更好。
全部 AI 动态
AI 相关资讯全量信息流
6月18日
10:57
该论文发现机器学习气候仿真模型的预测能力受限于训练数据的结构多样性不足。作者提出一种通过可微简单气候模型(SCM)优化训练情景的方法，使仿真模型能泛化到训练数据中未出现的新情景。实验表明，使用单个优化情景训练的仿真模型，其技能优于使用6个标准ScenarioMIP路径训练的模型。即使训练数据更小，优化后的模型也能成功分离不同气候强迫因子（如温室气体与气溶胶）的物理行为。用SCM优化的情景驱动中等复杂度气候模型时，产生的训练数据比直接使用ScenarioMIP输出更有效。
6月16日
20:46
AITOP6月16日 20:46
6月12日
12:57
AITOP6月12日 12:57
6月11日
15:28
AITOP6月11日 15:28
15:23
AITOP6月11日 15:23
15:07
AITOP6月11日 15:07
11:01
11:01
arXiv: DeepSeek@Hao Xiang, Qiaoyu Tang, Le Yu, Yaojie Lu, Xianpei Han, Ben He, Le Sun, Bowen Yu, Peng Wang, Hongyu Lin, Dayiheng Liu
精选
推荐理由：做 LLM 推理强化学习的团队终于有了可扩展的环境构建方案——RACES 用递归组合替代手动堆叠，效率提升 6 倍，值得关注其开源实现。
6月3日
10:31
10:31
arXiv: DeepSeek@Sidi Yang, Chaofan Tao, Jierun Chen, Tiezheng Yu, Ruoyu Wang, Yuxin Jiang, Yiming Du, Wendong Xu, Jing Xiong, Taiqiang Wu, Lifeng Shang, Xiaohui Li, Ngai Wong, Haoli Bai
72°
推荐理由：这篇论文推翻了“老师越强，学生越好”的直觉，做智能体微调的团队会发现数据质量和交互结构比模型能力更重要，值得仔细读实验设计。
6月2日
11:17
11:17
arXiv cs.LG@Gjorgjina Cenikj, Jakub Kudela, Eva Tuba, Tome Eftimov
精选
推荐理由：做优化算法选型或自动化机器学习的研究者值得关注——这项研究直接点出了学术基准与真实场景的鸿沟，看完能帮你避开模型部署的坑。
5月25日
11:25
11:25
arXiv cs.LG@Taiming Lu, Zhuang Liu
精选72°
推荐理由：做LLM预训练或知识蒸馏的团队，这篇论文直接挑战了“教师越强越好”的默认假设，看完可能会重新设计你的蒸馏策略，值得细读。
5月14日
01:10
01:10
arXiv cs.AI@Hari K. Prakash, Charles H Martin
推荐理由：这项研究为深度学习从业者提供了一种无需数据即可监控过拟合的新工具，尤其适合训练长期 grokking 模型的团队。建议关注模型泛化能力的开发者点开，了解如何用随机矩阵理论提前发现模型退化信号。