Federal Acquisition Regulation
PulseAugur coverage of Federal Acquisition Regulation — every cluster mentioning Federal Acquisition Regulation across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型分类器准确判断征询中的约束性合同条款
一个新系统使用了一个小型、高效的分类器来确定政府征询中的哪些条款具有法律约束力，改进了传统的基于正则表达式的方法。这种方法结合了基于规则的逻辑和机器学习模型，在多轮评估中取得了高准确率，优于以往的方法。该系统现已投入生产并公开可用，但需要注意的是，该模型不应被用作法律建议。
-
大模型利用新的持续学习框架解决智能合约漏洞
研究人员开发了一个新颖的框架，以应对使用大语言模型（LLMs）进行智能合约漏洞检测的挑战。提出的三阶段流程解决了参数高效适应、灾难性遗忘和适配器合并问题。适应阶段利用具有每频率重要性门的频率感知低秩适应（FA-LoRA），需要最少的训练参数。持续学习阶段采用遗忘感知回放（FAR）来优先回放易受攻击的知识，实现了0.8022的微F1分数。最后，锚点保护渐进合并（APPM）将多个适配器合并成一个模型，以最小的开销保持高性能。
-
新AI系统FAR通过自动化问题识别来简化数学发现
研究人员开发了一个名为Find, Attempt, and Recommend (FAR) 的新的人机协作框架，以提高AI辅助数学发现的效率。该系统自动化了从广泛的研究论文语料库中识别和筛选潜在数学问题的过程，使人类专家能够专注于审查有希望的猜想。一项在组合学领域的试点研究通过处理超过5000篇论文来识别77个项目供专家审查，从而在几个著名的猜想上发现了新结果，证明了FAR的有效性。
-
小型企业可以通过战略营销来应对联邦合同
本文为希望与美国联邦政府签订合同的小型企业提供了指导。它概述了关键步骤，例如在奖励管理系统 (SAM) 中注册、确定 NAICS 代码以及制定能力声明。该文章区分了根据 FAR 第 12 部分针对现有产品的商业合同以及针对服务或开发工作的非商业合同，并指出联邦机构有法定义务与小型企业签订合同。
-
机器人通过新的FAR框架从失败中学习
研究人员开发了一个名为Failure-Aware Retry (FAR) 的新框架，以帮助机器人在操作过程中从错误中学习。FAR使机器人在遇到故障后能够自主调整其行为，而不是重复犯错。该系统使用故障对比偏好适应来引导策略避开不成功的动作，并整合成功的恢复数据以实现持续改进。实验表明，FAR在模拟和现实世界的机器人任务中都显著提高了成功率和鲁棒性。
-
Gemini在用户改进后生成丹麦岛屿SVG地图
一位用户要求Gemini生成一个SVG文件，描绘丹麦岛屿Farø、Bogø、Møn和Nyord的地图。经过几次尝试和改进后，用户分享了生成的SVG地图。