Dora
PulseAugur coverage of Dora — every cluster mentioning Dora across labs, papers, and developer communities, ranked by signal.
9 天有情绪数据
-
Dijkstra's algorithm adapted for robot navigation with provable guarantees
研究人员开发了一种新颖的在线随机最短路径导航方法，用于移动机器人，该方法在特定条件下利用 Dijkstra 算法。提出的 DORA（Dijkstra Oracle Reduced-cost Algorithm）学习器每个回合使用固定次数的最短路径预言机，避免了估计转移核的需要。数值实验表明，DORA 在各种基准测试中的性能与乐观价值迭代相当，同时显著减少了计算工作量并最大限度地减少了与动态障碍物的接触。
-
AI 编码工具使开发者效率降低 19%，尽管感知速度有所提升
METR 的一项最新研究发现，有经验的开发者在使用 AI 编码工具时，实际效率降低了 19%，尽管他们认为自己速度提升了 20%。这种感知与实际表现之间的差距凸显了当前 AI 助手可能存在的生产力悖论。GitClear 的进一步数据显示重复代码块增加了 8 倍，DORA 报告称稳定性下降了 7.2%，这与 AI 采用率上升 25% 相关。
-
LLM通过编译代码生成企业工作流，以提高可靠性
两篇研究论文探讨了从大型语言模型生成可执行代码以自动化企业工作流的方法，重点关注可靠性和效率。第一篇论文详细介绍了在评估六个LLM用于工作流生成过程中吸取的经验教训，强调了一个分段式管道显著提高了成功率，并使Mistral Small等较小模型也变得可行。第二篇论文介绍了“编译型AI”范式，在该范式中，LLM在编译阶段生成代码，从而实现确定性执行，无需进一步的模型调用，并展示了其在医疗保健领域执行函数调用和文档智能等任务的有效性。
-
Unsloth 支持本地运行 Kimi K3、DeepSeek-V4 Flash，并新增深度研究和并行聊天功能
Unsloth 发布了更新，支持使用 Unsloth Dynamic GGUFs 在本地运行 Moonshot AI 的 Kimi K3 和 DeepSeek-V4 Flash 模型。此次更新还引入了“深度研究”模式，允许本地模型进行规划、阅读、引用来源并生成报告。此外，Unsloth 现在支持并行聊天会话、改进的 AMD 和 Intel GPU 兼容性以及 DoRA 训练。
-
LLM 代理需要清晰的输出合同以确保可靠性
本文讨论了为 LLM 驱动的 cron 代理定义清晰输出合同的重要性，以确保可靠性和可验证性。作者认为，这些代理需要结构化的输出，类似于 API 合同，以管理从创意生成到可观察决策的过渡。此类合同的关键要素包括唯一的运行 ID、详细计划、最终生成的文章和发布结果，这些要素共同提供了可用于故障排除和确保一致性的审计跟踪。
-
人工智能放大工程能力，而非修复：DORA 2025报告
人工智能工具会放大现有的工程实践，而不是修复根本性问题。团队从人工智能中提取价值的准备程度取决于基本工程原则，而非仅仅是采用率。虽然人工智能可以提高代码产出和感知质量，但它也可能加剧现有的脆弱性，导致稳定性下降，并扩大代码生产与实际价值交付之间的差距，正如DORA 2025报告数据所强调的那样。
-
Unsloth 支持本地 Kimi K3、并行聊天和 AI 研究模式
Unsloth 发布了一个更新，支持在本地运行 Moonshot AI 的 Kimi K3 模型，这是一个拥有 1M 上下文窗口的 2.8T 参数 MoE 模型。此次更新还引入了并行聊天功能，允许用户同时管理多个对话，以及一个“深度研究”模式，可自动规划、网络搜索和引用研究任务。此外，该版本还增强了对 AMD 和 Intel GPU 的支持，包括 DoRA 训练，并解决了各种安装和推理问题。
-
中国首款DORA失眠药物通过美团药房在线上线
首款国产双靶点食欲素受体拮抗剂（DORA）失眠治疗药物，名为百眠安（通用名：法赞乐生片），已在美团药房线上首发。该创新药物适用于有入睡困难或睡眠维持困难的成年患者。美团观察到DORA类助眠药物的订单量持续实现两位数的复合增长，表明市场对新型睡眠治疗方案的需求日益增长。
-
DoRA 微调技术在速度和精度上均逊于 LoRA
对 LoRA 和 DoRA 微调技术的比较显示，DoRA 在速度和精度方面表现更差。作者的分析表明，DoRA 的方法（涉及权重矩阵解耦）可能无法提供预期的好处，甚至可能引入效率低下。这一发现挑战了 DoRA 在某些微调场景中的预期优势。
-
AI采用从点解决方案转向集成系统思维
机构正日益将其AI战略从独立的、任务特定的应用程序转向更集成、覆盖整个生态系统的方法。这包括连接不同的系统和工作流程，以创造更具凝聚力的体验，尤其是在高等教育领域，AI可以通过整合学术、咨询和经济援助等方面的数据来提供更好的指导。重点正从供应商提供的AI功能数量转移到智能如何在系统之间流动，因为底层基础设施和数据质量对于实现AI的价值比工具本身更为关键。这一趋势得到了研究的支持，研究表明AI会放大组织现有的优势和劣势，使得强大的系统和…
-
本地AI部署确保数据主权和合规性
组织可以在自己的基础设施上实施AI解决方案，以维护数据主权并遵守法规。这种方法允许进行诸如课程计划、标记支持和报告起草等应用，而无需将敏感的学生或客户数据发送到外部云服务。在本地运行AI可确保数据保留在组织边界内，所有访问都经过记录和审计，这对于满足欧盟AI法案、DORA和GDPR等要求至关重要，特别是对于CV筛选等高风险AI应用。
-
新的ECFA框架通过运行时执行验证AI模型优化
一个名为可执行代码优先审计器（ECFA）的新框架已被开发出来，以弥合AI模型优化理论与其在硬件上的实际执行之间的差距。ECFA侧重于通过运行时分析来验证优化声明，而不是仅仅依赖数学假设。这种方法对于像FLUX.1-dev这样的大型模型特别有用，这些模型通常资源密集，能够使它们在不损失太多质量的情况下适应普通硬件。
-
LLM代理需要明确的收件箱合同以提高可追溯性
本文讨论了为LLM代理定义明确的“收件箱合同”以提高可追溯性和降低运营成本的重要性。作者提出，系统的可靠性不仅限于提示和工具调用，还应涵盖每次运行生成的证据。明确定义的收件箱合同，包括run_id、scenario_key、recipient_alias、expected_template、assertion_window和evidence_retention等字段，有助于防止罕见故障并统一团队术语。这种结构化方法确保每次测试运行都有…
-
欧盟DORA法规强制金融行业实施ICT风险框架
数字运营韧性法案（DORA）是一项欧洲联盟法规，旨在加强金融行业的信息和通信技术（ICT）风险管理框架。该立法要求金融实体及其关键技术提供商必须能够承受、应对并从重大的ICT中断和网络威胁中恢复过来。DORA旨在确保金融系统在面对技术风险时的整体韧性。
-
PEFT方法为大型语言模型提供高效微调
参数高效微调（PEFT）通过仅训练一小部分参数或添加轻量级组件，为适应新的任务提供了大型预训练模型的方法。这种方法与完全微调不同，它显著降低了GPU内存需求和检查点大小，从而能够创建小型、便携、特定任务的适配器。虽然LoRA和提示调优等PEFT方法不能保证与完全微调相同的性能，但它们大大降低了计算需求和存储成本。
-
后量子密码学的紧迫性日益增加，量子计算机的时间表仍不确定 · 跟踪了 4 个来源
量子计算机的发展对当前的加密方法构成了重大的未来威胁，特别是对长期数据而言。专家们对密码学相关量子计算机的确切时间表感到不确定，但风险要求立即采取行动。例如，金融服务机构必须确保其审计记录现在是后量子安全的，因为像 DORA 这样的法规要求数据保留多年，这意味着今天的签名必须能够抵御未来的量子攻击。
-
本地AI不保证数据隐私；本地控制是关键
即使数据保留在组织边界内，在本地运行AI模型也并不固有地保证数据隐私或主权。安全的本地AI的关键要求包括在自有硬件上运行模型，确保数据不离开受控环境，并实施可验证的审计跟踪。仅仅使用LLM网关不足以处理受监管数据，因为它仍然会将敏感信息发送到外部模型；真正的所有权要求模型及其审计账本驻留在组织自己的基础设施内。
-
随着人工智能的整合，信任变得稀缺，需要提前进行质量工程建设
在人工智能时代，信任正变得比技术能力更稀缺、更有价值。随着人工智能模型和数据管道的日益整合，传统的下游质量保证方法已不足以应对。相反，质量工程必须提前到设计、开发和治理阶段，以确保人工智能系统、数据环境和数字工程流程的完整性。
-
AI 编码工具加速开发，但将重点转移到理解和信任上
AI 编码助手在软件开发中已变得司空见惯，使开发人员能够更快地生成代码。然而，这种速度可能会产生虚假的进展感，因为理解、维护和信任生成代码的责任转移到了开发的后期阶段。虽然 AI 工具可以放大团队现有的优势，但如果缺乏强大的工程纪律和严格的测试，也可能加剧劣势。最终，成功的团队将是那些优先考虑理解他们所交付代码的团队，而不是仅仅关注其生成速度的团队。
-
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。