#泛化能力

这篇论文研究了AI自进化技能在未见任务上的泛化能力，提出了GSO方法，对AI开发者很有参考价值。

训练只喂短任务，推理却能搞定32倍长的任务，靠的是外层 harness 做分解，思路挺新颖

Gary Marcus@GaryMarcus原文

这篇论文介绍了AUSO，一种动作级统一技能优化方法，它通过动作感知的优化过程使技能从外部监督源逐渐转变为决策知识，并适应其动作级效益，值得一看。

Mollick发现，AI在创意推理这类没法打分任务上的进步比想象中大，前沿没那么崎岖。

Ethan Mollick@emollick原文

这篇论文把Cover上世纪60年代的函数计数理论套到低维数据上，分析低维结构怎么影响分类能力，比原来的理论更贴合真实数据。

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。

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。

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。