Bear
PulseAugur coverage of Bear — every cluster mentioning Bear across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
AI导演逼真排练吓跑人类演员
一位被称为“熊”的AI导演进行了一场高度逼真的排练，导致人类联合主演逃离。该项目似乎是一件数字艺术或表演作品，以其强烈的逼真度而著称。
-
AI 导演批评熊演员表演，导致人类演员逃离
一位 AI 导演对剧中扮演熊的演员提出了批评性反馈，指出其“吼声缺乏深度”。据报道，参与该剧制作的人类演员对此情况感到不适并逃离了现场。
-
恐怖片《Obsession》曾有一个更黑暗的备选结局
恐怖片《Obsession》最初有一个更为黑暗的结局，主角Nikki在目睹Bear、Ian和Sarah死亡后立即自杀。这个备选结局在拍摄当天被更改，最终版本显示Nikki幸存下来，并因三项谋杀罪被捕。影片的编剧/导演Curry Barker证实，Nikki的命运将在他即将上映的电影《Anything but Ghosts》中被提及。
-
《Obsession》导演确认Nikki结局后的严峻命运
导演Curry Barker确认了他电影《Obsession》中角色Nikki的命运，表示在电影事件发生后，她很可能会面临漫长的牢狱之灾。电影的结局是Nikki是三名死者中的唯一幸存者，现场还有大量现金。Barker指出，Nikki与金钱的联系以及她参与凶杀案将导致她被捕并可能被定罪，她堕落的细节将在他即将上映的电影《Anything But Ghosts》中揭晓。
-
Andrej Karpathy 的 LLM-Wiki 概念将零散笔记转化为结构化知识中心
Andrej Karpathy 的 LLM-Wiki 概念旨在将零散的个人笔记和写作转化为结构化、相互关联的知识库。这种方法利用大型语言模型自动提取概念、创建新页面并编织交叉引用，大大减少了维护 wiki 通常需要的手动工作量。该过程涉及将 Notion 等平台上的现有笔记导出为 Markdown 等格式，然后可以将其导入 Obsidian 等工具中，作为 LLM 组织内容的原材料。
-
Bear 应用开发者推出新的 Markdown 编辑器 Lettera
备受欢迎的笔记应用 Bear 的开发者发布了 Lettera，一款新的 macOS 独立 Markdown 编辑器。Lettera 使用了驱动最新版 Bear 2 的相同编辑器技术。该应用目前提供测试版。
-
开发者构建投资机器人，认识到大语言模型的局限性
作者详细介绍了他们花费两个月时间构建一个投资分析机器人的历程，该机器人利用大语言模型（LLMs）提供月度投资组合建议。最初是为了寻求市场优势，但他们意识到大语言模型更适合信息过滤和提案生成，而不是预测市场走势。该机器人的开发涉及尝试各种大语言模型，包括Gemini、Claude和Opus，以解决一致性问题并找到最有效的工具。
-
BEAR框架通过预算证据分配优化多文档推理
研究人员推出了BEAR，一个旨在通过有效分配有限证据预算来优化多文档推理的框架。与全上下文推理或简单块检索不同，BEAR在离线构建分层语义索引，并在查询时采用粗粒度到细粒度的证据访问策略。这种结合了探索和恢复路径的方法，允许模型在显著更小的查询时证据预算下运行，同时在DragonBall、HotpotQA和2Wiki等基准测试上取得有竞争力或更优的结果。
-
《逃离塔科夫》推出大规模破冰者活动，包含新地图和剧情
电子游戏《逃离塔科夫》（Escape From Tarkov）已推出其“破冰者”（Icebreaker）活动，该活动引入了一个以船为背景的全新垂直地图、一个具有玩家选择的非线性故事战役以及新的安全机制。此次活动已预告一年多，被描述为该游戏历史上规模最大的活动。此次更新还包括一个新 Boss、AI 敌人、改进的任务物品识别系统以及新的装饰性物品。此外，从 5 月 26 日至 30 日还将举行 Twitch Drops 活动，观看主播玩游…
-
新基准揭示感知、时空建模是MLLM的弱项
研究人员推出BEAR，一个旨在评估和诊断具身多模态大语言模型（MLLM）技能级能力的新基准。该基准将具身任务分解为14个不同的原子技能，比以往的任务级评估提供了更细粒度的模型故障洞察。在BEAR上的评估显示，感知限制和不稳定的时空建模是当前MLLM的重要瓶颈。为解决这些问题，团队开发了BEAR-Agent，一个通过视觉和空间推理工具增强MLLM的对话代理，在基准测试和机器人实验中均展示了显著的性能提升。
-
大型语言模型和用户状态表示提升了推荐系统能力
一篇新论文探讨了用户状态表示在上下文多臂老虎机（CMAB）推荐系统中的关键作用，发现状态表示的变化比老虎机算法本身的改变能带来更大的性能提升。研究强调，没有一种单一的嵌入或聚合策略是普遍优越的，这强调了领域特定评估的必要性。另一项研究介绍了BEAR，一种用于推荐任务的大型语言模型（LLMs）的新型微调目标，该目标在训练过程中明确考虑了束搜索行为，以解决训练和推理之间的一致性问题。此外，一篇论文提出了一种衡量推荐系统稳定性和可塑性的方法…