标签: LLM

🥇 8.3—8.9|本周 AI 论文精选

🥇 8.3—8.9|本周 AI 论文精选

8月3日至9日的AI论文精选,提供了两套值得关注的工程方法论:一套把智能体失败原因归因到具体组件,另一套用纯索引机制把记忆栈的token开销降到接近零。前者解决“该修谁”的责任归属问题,后者直指生产级记忆栈的推理成本黑洞。

AI 检测工具正开启一个充满不信任的新时代

AI 检测工具正开启一个充满不信任的新时代

随着 ChatGPT 等大模型工具在学生和职场中快速普及,美英等国教育机构正大规模引入 AI 检测工具来甄别“机器味”文本。但这些工具的判定逻辑本质上也是 AI 模型的主观判断,误报频发,已经开始直接毁掉学生的学业、作者的出版合约,并制造一种“人人自危”的新式不信任。

CPU 回归:重新思考 LLM 推理中的 CPU-GPU 分工

CPU 回归:重新思考 LLM 推理中的 CPU-GPU 分工

红帽开发者博客发文指出,随着工具调用、多步推理和 Agent 编排成为 AI 负载主流,CPU 在 LLM 推理中的角色正从“调度配角”回归为“计算主角”。英特尔提供的数据显示,CPU 与 GPU 的配比正在从训练时代的 1:8 转向 1:1,甚至某些场景达到 4:1。

深入理解 AI Agent:设计原理与工程实践 让开发者照着公式 Agent = LLM + 上下文 + 工具把 Agent 从原理吃透到落地上手,而不是只会套 API。 https://t.co/VLqIpSbDG7 https://t.co/zYIUBxMst4

深入理解 AI Agent:设计原理与工程实践 让开发者照着公式 Agent = LLM + 上下文 + 工具把 Agent 从原理吃透到落地上手,而不是只会套 API。 https://t.co/VLqIpSbDG7 https://t.co/zYIUBxMst4

AI Agent 开发长期停留在“调 API、拼提示词”的阶段,一位开发者用“Agent = LLM + 上下文 + 工具”这条公式,整理了一份从原理到工程落地的教程,试图把 Agent 开发的底层逻辑变成可复制的方法论。