SCM 相关 AI 资讯 · AI 热点

8月5日

11:30

11:30

官方账号arXiv cs.AI@Jose M. Álvarez

该论文首次实现了 Álvarez 和 Ruggieri (2025) 提出的因果感知概率框架。论文将因果感知区分为结构性和参数性两类，并设计了基于 SCM 的算法来计算干预分布与反事实分布。在 German Credit 数据集上的多专家决策实验中，因果感知改变了公平性评估和基于阈值的决策。结果显示，感知判定对距离度量和阈值的选择敏感，偏见相对于智能体的 SCM 具有情境性。

论文 SCM 因果感知公平性

推荐理由：这篇论文把因果感知从理论变成了能跑的算法，在德国信用数据集上验证了不同模型对公平性判断的影响，值得搞公平性研究的人看看。

7月8日

09:36

09:36

官方账号Greg Brockman@gdb

Taylor Blau（@ttaylorr_b）今日正式加入 OpenAI，担任 SCM 工具工程师。他将聚焦 Git 及版本控制系统，为 AI 代理的未来工作流构建基础设施。Blau 在入职推文中感谢了 tnm、gdb、aglover 等多位团队成员的支持。

行业 Taylor Blau OpenAI Git

推荐理由：Taylor 是 Git 核心开发者，现在去 OpenAI 搞 SCM，为智能体时代建工具，很值得关注。

6月18日

10:57

10:57

官方账号arXiv cs.LG@Christopher B. Womack, Shahine Bouabid, Andrei Sokolov, Popat Salunke, Glenn Flierl, Sebastian D. Eastham, Noelle E. Selin

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。

论文 SCM ScenarioMIP 气候仿真

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。