GAIA 相关 AI 资讯 · AI 热点

7月2日

12:14

12:14

官方账号arXiv cs.LG@Meenakshi Krishnan, Pranav Pulijala, Ke Chen, Haizhao Yang, Ramani Duraiswami

GAIA 是一种几何自适应积分自编码器，用于任意几何域上的偏微分方程正问题和反问题的算子学习。它通过将几何边界和内部场分布编码为几何令牌，并利用交叉注意力机制使积分变换核局部适应几何特征，无需重新训练或迭代优化。在 7 个 2D 和 3D 基准测试中，包括电机阻抗断层扫描（EIT）、光学断层扫描、变化几何上的 3D Darct 流以及机械零件泊松 BVP 基准（MCB），GAIA 在所有反问题和 BVP 任务上取得 SOTA。与次优方法相比，在机翼流重建任务中降低了 64% 的中位相对 L2 误差，在 EIT 上降低了 27%，且在 MCB 每个形状类别上超越所有基线。

论文 GAIA operator learning PDE geometry-adaptive 反问题

推荐理由：GAIA 能用一个模型同时搞定正反问题，在七种几何任务上都拿了第一，尤其反问题精度提升明显，做 PDE 模拟的可以看看。

6月9日

09:40

09:40

官方一手arXiv: Anthropic@Jason Starace

精选72°

一项预注册的对照研究系统比较了三种不同 scaffold（ReAct、多智能体 Planner-Actor-Rater、Planner-then-Executor）在五个模型（Claude Opus 4.7、Sonnet 4.6、Haiku 4.5、Gemini 3.1 Pro Preview、GPT-5.5）上的 GAIA 验证集表现。研究发现，仅 scaffold 选择就使同一模型的准确率波动高达 28 个百分点，证实了 scaffold 变化至少产生 10 个百分点的差距。更令人意外的是，更强大的模型并未对 scaffold 更不敏感——在更难的 Level 2 任务中，最强模型反而从结构化 scaffold 中获益最多。多智能体设计在 Anthropic 模型家族中优于 ReAct，但跨模型提供商时优势消失。结构化 scaffold 调用工具次数更少，但在困难任务中从错误中恢复的能力更强。这些结果表明，单 scaffold 的能力评估数字是 scaffold 条件性的，且随着模型改进，评估差距未必会缩小。

论文模型评估 Scaffold GAIA 智能体预注册研究

推荐理由：做 AI 模型评测或选型的人必须看——这篇研究用严格对照实验证明，你看到的模型能力分数可能更多反映的是 scaffold 设计而非模型本身，建议重新审视自己的评估流程。