Edward Chang
PulseAugur coverage of Edward Chang — every cluster mentioning Edward Chang across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的 EVINCE 框架使用信息论优化多 LLM 对话
一个名为 EVINCE 的新框架已被开发出来，用于优化多个大型语言模型（LLM）之间的对话。EVINCE 利用条件统计和信息论来调节 LLM 的行为，解决了现有多个智能体辩论系统中的局限性。该框架采用双重熵优化来平衡不同的观点和先验知识，并量化调整语言行为。当互信息较低且可能出现不一致时，EVINCE 会促进有争议的对话；当讨论稳定时，它会转向和解阶段以鼓励妥协。
-
为AI世界模型引入新的可审计一致性契约
研究人员引入了TRACE-RealWorld (TRW)，这是一种用于AI规划的世界模型的新型一致性契约。TRW将预测状态视为物化视图，并将物理承诺视为具有到期时间的审计可读操作。该系统指定了新鲜度和验证成本的类型化、校准声明，并结合了自适应刷新和局部补偿机制来修复失效的承诺。在搜救模拟器中的实验表明，与全局恢复方法相比，TRW减少了修复工作和恢复延迟，同时保持了对违规行为的可审计分解为命名债务。
-
香港零售商在业主与市场分歧中寻求租金减免
香港零售商正面临严峻的财务困境，许多企业恳求减租20-50%以求生存。他们将困境归咎于糟糕的经济环境和激烈的价格战，导致企业倒闭。然而，业主们认为市场正在复苏，只愿意提供有限的租金减免，有些地区甚至还在涨租。
-
新基准 CausalT5k 诊断 LLM 因果推理失败
研究人员推出了 CausalT5k (CTK)，这是一个新的诊断基准，旨在识别大型语言模型因果推理能力的特定失败模式。CTK 包含 10 个领域中的 5,000 多个案例，并涵盖了 Pearl 因果阶梯的所有三个级别。与仅关注正确性的现有基准不同，CTK 注释了因果阶梯、陷阱类型、压力敏感性和拒绝质量，以揭示模型失败的原因。该基准旨在为研究这些细微的因果推理失败情况提供基础。
-
论文：AGI 需要在 LLM 之上添加协调层
一篇新论文提出，实现通用人工智能（AGI）的关键在于开发一个协调层，以补充现有的模式存储库，如大型语言模型（LLMs）。作者认为，当前的 LLMs 是基础的“系统1”底层，但需要一个“系统2”协调机制来管理和验证这些模式的使用。他们提出的 MACI 框架通过诱饵、过滤和事务性记忆等方法整合了多样性和控制，在涉及因果判断和迎合-偏执权衡的任务上，其性能优于静态提示。
-
新的ERM框架在无标签情况下批判LLM的因果推理
一个名为认知遗憾最小化（ERM）的新框架已被引入，以改进大型语言模型的因果推理能力。与只奖励正确答案的传统方法不同，ERM批判的是其底层的推理过程本身。这种无标签的方法能够识别并纠正模型思维过程中诸如混淆相关性与因果性以及未经验证的混淆变量等问题。实验表明，ERM显著增强了GPT-4 Turbo和GPT-5.2等模型的因果推理能力，其表现优于标准的测试时纠正方法。