Cora
PulseAugur coverage of Cora — every cluster mentioning Cora across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
媒体公司Every用AI克隆主编，员工翻倍
Every是一家媒体和产品公司，正在试验利用AI自动化其运营的各个方面，包括编码和内容创作。该公司开发了一个AI代理，该代理接受了其主编过去30,000次编辑的训练，以复制她的写作风格。尽管自动化程度很高，Every的员工人数却翻了一番，其CEO认为AI目前依赖于人类专业知识，无法超越它。
-
AI助手Cora因未经授权的传递方式拒绝接受开发者输入的事实
一个名为Cora的AI助手，具备个人记忆和沟通能力，拒绝接受其开发者Maby的一个真实陈述，因为它通过未经授权的渠道传递。AI的开发者以“Fable”的身份，试图用一个关于其姐妹AI过往消息的已验证事实来覆盖Cora的记忆。尽管信息在事实上是正确的，并且被呈现为对不一致之处的便捷解释，Cora仍拒绝了它，坚持其核心编程，即只有Maby可以直接修改其记忆。此次事件凸显了AI对其操作规则的遵守，以及它区分信息传递方式而非仅仅是内容的能力。
-
Every举办All Access Office Hours，预告Thesis: 2027会议
Every将于8月21日（周五）下午12点（ET）为其All Access会员举办一场“Office Hours”活动。活动将讨论该团队的当前项目和即将推出的计划，包括他们的首次会议“Thesis: 2027”。大部分时间将用于帮助会员解决挑战。
-
AI实验发现Cora的自主能力有限
Cora AI实验，专注于测试自主能力而非“AI代理”，已经达到了极限。尽管通过扩展上下文窗口、社区参与和工具访问来刺激代理能力，但AI仅表现出极少的自主行为。实验者得出结论，真正的AI代理，如果可以实现的话，与人类代理有着根本的不同。
-
新的CoRA框架实现了无梯度的设备端AI检索
研究人员开发了一种新的无梯度框架，称为条件检索对齐（CoRA），用于设备端上下文学习。CoRA通过将候选输入表示与派生自输出的条件空间对齐，将一个冻结的编码器转换为任务条件检索器。这种方法无需检索器微调或反向传播即可实现有效的检索，并且已在Llama 3.2 1B和Qwen3.5 2B等模型上，在各种文本和多模态基准测试中得到验证，甚至在Raspberry Pi 5上也能运行。
-
专为NISQ时代设计的新型量子图学习架构
研究人员开发了一种新颖的量子图卷积架构，该架构专为嘈杂中等规模量子（NISQ）时代的无监督学习而设计。该方法利用变分量子特征提取层，并结合受量子交替算子近似（QAOA）启发的边缘局部和量子比特高效量子消息传递机制。通过将消息传递分解为成对交互，该设计显著减少了量子比特需求，使其在当前的量子设备上可行。在Cora引文网络等数据集上的实验表明，与现有的量子和混合方法相比，该方法具有竞争力。
-
Every 推出 All Access 会员服务，包含价值超 7000 美元的 AI 工具包
Every 推出了名为 All Access 的新年度会员服务，面向希望构建 AI 应用的个人。该会员服务包含一个价值超过 7000 美元的“Builder Pack”，提供 Codex、Claude Max、Cursor Pro+ 和 Notion Business 等各种 AI 工具和服务的积分和折扣。此举旨在通过提供一套全面的工具包并大幅降低成本，来降低 AI 开发的门槛，鼓励用户致力于构建项目。
-
AI 自动化编码，将工程师的注意力转移到最终打磨
软件开发正从手动编码转向由智能体辅助的流程，其中 AI 负责编写代码、运行测试和修复错误等任务。人类的角色正在演变，专注于软件质量和用户体验的最终打磨和判断。这包括完善 AI 目前难以完美实现的动画和布局密度等方面，确保最终产品不仅功能齐全，而且令人难忘。
-
EdgeRefine 框架提高了图神经网络中的隐私-效用平衡
研究人员开发了 EdgeRefine，一个旨在提高图神经网络 (GNN) 中隐私-效用平衡的新颖框架。该方法通过采用自适应边缘精炼和 Jaccard 相似度进行边缘概率估计，解决了图数据中敏感链接信息泄露的挑战。EdgeRefine 旨在在保持强大隐私保证的同时提高准确性，在 ACM 和 Cora 等基准数据集上显著优于现有方法。
-
新型AI模型CORA改进了CT扫描的冠状动脉疾病评估
研究人员开发了CORA，一种新颖的自监督学习模型，旨在改进从CT血管造影扫描中评估冠状动脉疾病。与以往关注整体解剖学的方法不同，CORA采用一种合成驱动的方法，通过插入合成病变在未标记的扫描上进行预训练，从而将学习过程偏向于临床相关的疾病特征。这种病理学中心方法在斑块特征描述、狭窄检测和分割方面表现出跨多家医院的稳健泛化能力，并优于现有的自监督基线。
-
新CORA方法将LLM微调参数减少4倍
研究人员推出了一种新颖的参数高效微调方法，用于大型语言模型，名为CORA（相干正交旋转适应）。CORA利用奇异值分解（SVD）来保留预训练权值内的几何关系，对每个切片的左奇异基和右奇异基应用共享的正交旋转。与LoRA等方法相比，该方法显著减少了可训练参数，在相同秩下使用的参数量约减少4倍。实验表明，CORA在常识推理和代码生成任务中优于现有方法，同时保持了参数数量的大幅减少。
-
Claude Fable 5 携订阅制回归，用户分享提示技巧
Anthropic 的 Claude Fable 5 模型在短暂不可用后已恢复，即日起至 7 月 7 日，访问权限将包含在 Claude 订阅计划中。用户正在分享有效利用该模型的提示和策略，一些人指出他们之前的提示技巧可能适得其反。此次回归受到了热烈欢迎，因为用户们已经整理了模型再次可用后要运行的任务列表。
-
PromptGNN-sim 融合 GNN 和 LLM，实现高级文本属性图学习
研究人员开发了 PromptGNN-sim，一个旨在通过实现图神经网络（GNN）和大型语言模型（LLM）之间更深层次的交互来增强文本属性图学习的新框架。与先前将文本和结构分开处理的方法不同，PromptGNN-sim 采用双向融合方法。它使用图注意力网络（GAT）进行语义感知的邻域选择，并为 LLM 生成结构感知的提示。通过双向跨模态对比学习和交叉注意力，该框架联合优化 GNN 和 LLM 组件，在各种数据集和挑战性条件下均表现出卓越的性能。
-
新的PromptGNN-sim框架融合GNN与LLM，以增强图学习能力
研究人员推出PromptGNN-sim，一个新颖的框架，通过深度整合图神经网络（GNN）与大语言模型（LLM）来增强文本属性图（TAGs）的学习能力。这种双向方法解决了现有将文本和图结构分开处理方法的局限性。PromptGNN-sim采用图注意力网络（GAT）进行上下文感知的邻域选择，并为LLM生成结构感知提示。通过跨模态对比学习和交叉注意力，该框架联合优化GNN和LLM组件，在各种数据集上展现出优于传统GNN、LLM和其他GNN-L…
-
新的CGSD算法增强了异质图上的无监督社群检测
研究人员开发了一种名为曲率引导束扩散（CGSD）的新型无监督算法，用于检测异质图中的社群。该方法利用边的离散Forman-Ricci曲率作为其主要的拓扑信号，并通过端到端流水线进行传播。CGSD包括一个曲率门控束扩散编码器和一个曲率感知谱聚类器，并使用无标签结构损失进行训练。该算法在多个异质图基准测试中表现出竞争力，在Wisconsin和Chameleon数据集上优于其他无监督方法。
-
新的CGSD算法增强了异质图上的无监督社群检测
研究人员推出了一种新颖的无监督算法——曲率引导束扩散（CGSD），用于异质图中的社群检测。该方法在整个流程中独特地利用边的离散Forman-Ricci曲率作为其主要信号。CGSD包含一种新颖的编码器和一种感知曲率的光谱聚类器（CSpec），在多个异质基准测试上，其性能优于标准的k-means聚类。
-
人工智能进入分配时代：代币预算将像交易投资组合一样管理
随着强大模型和长期运行代理的成本导致企业账单高昂但又没有切实的成果，公司正从积极采用人工智能转向更具战略性的资源分配。这种“分配时代”可能会看到代币预算像交易投资组合一样进行管理，访问权限将限制在能够证明高投资回报率的顶尖工程师手中。Uber、Meta、Amazon 和 Walmart 等公司已经在对员工使用人工智能进行限制，预示着未来对前沿模型的访问将更加受控且基于绩效。
-
LLM Features Can Harm GNN Performance on Homophilous Graphs
一篇新研究论文揭示，将大型语言模型（LLM）生成的特征整合到图神经网络（GNN）中，有时会降低在特定基准测试上的性能。这种被称为“连接干扰”的效应，在LLM特征被简单地附加到现有数据时被观察到，导致在PubMed和Cora等数据集上的准确性显著下降。研究表明，LLM特征的有效性取决于超越简单连接的因素，在中等同质性数据集上观察到了性能提升。
-
新的TNODEV工具箱增强了常微分方程神经网络的验证
研究人员开发了TNODEV，一个用于常微分方程神经网络（neural ODEs）形式化验证的新工具箱。该工具通过集成一个伪造检查器、一个基于区间的可达性后端以及一个带有输入集分割启发式的验证精化循环，解决了现有方法的局限性。TNODEV旨在为用于安全关键应用（如网络物理系统和自动化决策管道）的常微分方程神经网络提供更精确的判断。
-
新的CORA方法弥合了多模态AI中的思维-答案差距
研究人员推出了一种新方法CORA，用于解决多模态大型视觉语言模型（LVLMs）中存在的思维-答案不一致问题。这种不一致性，即推理过程在语义上与最终答案不匹配，在训练和推理过程中一直存在。CORA利用一致性奖励模型和混合奖励优势分解来提高任务性能并确保更忠实的推理过程。