Cogs
PulseAugur coverage of Cogs — every cluster mentioning Cogs across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
研究发现数据集多样性是 Transformer 组合泛化的关键
研究人员提出，Transformer 在组合任务中面临的结构泛化困难并非固有缺陷，而是源于数据集的局限性。通过增加数据集中结构类型的多样性，类似于现有词汇类型的多样性，Transformer 表现出更强的组合泛化能力。这一发现挑战了先前认为复合发散是导致这些困难的主要原因的论断，并表明数据集属性显著影响模型性能。
-
新框架使用范畴论评估人工智能语言模型的泛化能力
一篇新论文提出了一个评估语言模型组合泛化能力的框架，超越了简单的准确性指标。该研究使用范畴论将句子表示为函子，并分析结构或词汇识别如何影响保留样本的可容许性。通过检查 21 种泛化类型中不同的识别谱，该研究旨在诊断数据方面的局限性，并表征在特定识别下训练语料库允许的内容，而无需训练预测模型。
-
零售、服务和SaaS企业的记账策略各不相同
记账方式因商业模式的不同而有显著差异，零售、服务和SaaS公司都需要独特的方法。零售企业必须优先考虑库存跟踪和销售成本（COGS），以维持准确的毛利率。服务企业需要专注于劳动力成本、工资和有效管理应收账款，因为许多小企业都面临未付款发票的问题。SaaS公司面临收入确认的挑战，预付款必须在订阅期内按比例确认收入，因此月度经常性收入（MRR）和年度经常性收入（ARR）等指标对于反映真实的业务健康状况至关重要。
-
Stratechery分析探讨AI模型成本与未来不确定性
Ben Thompson为Stratechery撰文，探讨了不同未来情景下AI模型的销货成本（COGS）。文章认为，基于云的模型与本地模型的发展轨迹仍然不确定，这对未来的开发和部署具有重大影响。
-
新的FORA技术在微调过程中保留LLM能力
研究人员开发了一种名为FORA（Function-space Orthogonal Residual Adaptation）的新微调技术，旨在在大语言模型适应新任务的同时保留其现有能力。与以往关注权重空间代理的方法不同，FORA估计并保护与能力相关的激活子空间。该方法在Qwen3-1.7B模型上针对COGS和GSM8K等任务进行了测试，结果显示其比现有方法能更好地保留能力，同时在新任务上的性能权衡极小。研究表明，保护函数空间方向比权重…