Hajee Mohammad Danesh Science & Technology University
PulseAugur coverage of Hajee Mohammad Danesh Science & Technology University — every cluster mentioning Hajee Mohammad Danesh Science & Technology University across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
研究发现，不同的编码代理组合比单一代理组合能提高准确性
一项新的基准研究 RankEvolve 表明，使用一系列不同的编码代理可以显著提高可执行准确性，这比使用同一代理的多个实例效果更好。Meta 进行的研究在 Claude Code 和 Codex 等代码库上测试了各种代理组合，发现异构方法，例如先使用 Claude Code 再使用 Codex，可以达到 62.5% 的执行准确率。相比之下，重复使用同一代理或简单的 N 选一基线方法准确率要低得多，这凸显了不同代理能力的优势。
-
RankEvolve框架利用多智能体系统自动化机器学习模型演进
研究人员开发了RankEvolve，一个旨在利用多智能体系统自动化演进排序模型过程的新框架。该系统通过采用可执行操作协议（EOP）来管理执行阶段并确保迭代的准确性，旨在提高自动研究智能体的可靠性。通过组合多个编码智能体产品，RankEvolve显著提高了执行准确性，并与单一产品基线相比，减少了关键缺陷，这在推荐系统和其他任务的评估中得到了证明。
-
WHALE架构通过Wukong和HSTU统一推荐特征
研究人员推出了一种新颖的推荐架构WHALE，旨在高效地统一非序列特征和序列特征。该模型利用Wukong进行高阶非序列特征交互，并利用HSTU进行长用户行为序列建模。通过将这些组件与基于注意力机制的融合模块集成，WHALE实现了两个骨干网络之间的渐进式交换，从而能够详细检索用户历史记录中的证据。该架构已通过定制的Triton内核和其他系统级协同设计技术进行了优化，以提高训练和推理效率，并在工业环境中展示了持续的离线收益和积极的在线结果。
-
新研究解决超长序列推荐模型训练问题
两篇新研究论文解决了具有极长用户交互历史的推荐模型训练中的挑战。第一篇论文《Versioned Late Materialization》提出了一种系统，通过一次性存储用户历史并按需重建序列来减少数据基础设施负载，从而支持更长的序列并提高模型质量。第二篇论文《SinkRec》引入了一种混合记忆-转换架构，以缓解线性注意力模型中的“语义状态汇聚”问题，防止重复模式压倒模型的状态并提高长序列的效率。