IBM Research
PulseAugur coverage of IBM Research — every cluster mentioning IBM Research across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
Hugging Face 博客文章涵盖 Vakra AI、DeepInfra 和异步处理 · 跟踪 3 个来源
该集群重点介绍了 Hugging Face 的几篇技术博客文章，涵盖了各种 AI 主题。其中一篇深入探讨了 Vakra（一种 AI 智能体）的内部工作原理，检查了其推理、工具使用和失败模式。另一篇文章介绍了 DeepInfra 在 Hugging Face 平台上的推理提供者角色。最后，第三篇文章探讨了连续批处理中异步的复杂性。
-
人工智能过度简化北极研究，忽视了更深层次的现实和地缘政治风险
文章《北极真相：人工智能对冰封海洋的误解》批评了人工智能对北极研究的过度简化，指出其未能考虑到冰下生态系统、海底测绘和原住民知识等关键要素。文章强调，尽管取得了进展，北极海底仍有很大一部分未被探索，而资源的争夺加剧了地缘政治竞争。文章认为，人工智能对表面气候模型的关注，忽视了继续重新定义我们对北极和地球演变的理解的更深层次的现实和历史研究。
-
Hugging Face博客文章涵盖AI代理内部机制、推理提供商和异步处理 · 跟踪3个来源
该集群重点介绍了来自Hugging Face的三个技术博客文章，每篇文章都侧重于AI基础设施和研究的不同方面。第一篇文章深入探讨了AI代理Vakra的内部工作原理，检查其推理、工具使用和故障模式。第二篇文章介绍了DeepInfra，讨论其在Hugging Face上作为推理提供商的角色。最后，第三篇文章探讨了连续批处理中异步处理的复杂性。
-
研究发现：RAG 系统中的过时文档带来重大风险
埃默里大学和 IBM Research 进行的一项最新研究调查了过时文档对检索增强生成（RAG）系统的影响。实验表明，RAG 系统索引中的过时信息，类似于对抗性投毒，会导致模型响应不准确。该研究测试了三种检索配置：带有 HNSW 的密集向量检索、BM25 稀疏检索以及受管选择器。受管选择器根据资格和版本对文档进行预过滤，通过率为 97%，在处理过时数据和提供更强大的防御措施以抵御潜在的投毒攻击方面，其性能显著优于其他方法。
-
IBM发布首个采用堆叠晶体管的亚纳米级芯片技术
IBM宣布了其新型“亚纳米”（0.7纳米或7埃）芯片工艺的重大进展。这项突破采用了新颖的“纳米堆叠”架构，通过垂直堆叠晶体管来实现近乎翻倍的密度。该公司声称，这项创新可以带来性能提升高达50%或能效提高70%的芯片，从而解决AI数据中心面临的关键功耗挑战。IBM预计这项技术可以将芯片扩展再延长十年，并可能在五年内实现量产。
-
Hugging Face 重点介绍 AI 进展：Transformers v5、DeepSeek V4 等 · 跟踪 7 个来源
Hugging Face 正在重点介绍 AI 生态系统中的几项最新进展。这些包括用于定义 AI 模型的 Transformers v5 的发布、用于在真实场景中评估使用工具的代理的 OpenEnv 框架，以及具有多模态嵌入的新重排序模型。此外，Waypoint-1.5 旨在为日常 GPU 创建更详细的交互式世界，而 DeepSeek V4 为代理提供了百万级上下文窗口。IBM Research 还宣布了 Hugging Face 上的…
-
AI代理浪费检测器从故障预测转向节省token
AI代理浪费检测工具Clew的开发者最初假设结构周期和嵌入衰减可以预测多代理故障。然而，在MAST-Data数据集上的测试结果不佳，表明该指标主要衡量追踪长度而非故障。该项目转向检测消耗token的冗余循环和交接，其灵感来自一篇提出使用结构后语义的级联方法来检测循环的论文。实施了严格的自我验证方法，包括预先注册的GO/KILL标准和防止意外数据泄露的代码，以确保结果的真实性。
-
Hugging Face 博客文章涵盖 AI 智能体、推理和处理
该集群重点介绍了 Hugging Face 的三篇博客文章，每篇文章都侧重于 AI 基础设施和研究的不同方面。第一篇文章深入探讨了 IBM Research 开发的 AI 智能体 Vakra 的内部工作原理，分析了其推理、工具使用和失败模式。第二篇文章介绍了 DeepInfra 作为 Hugging Face 上推理提供商的角色。第三篇文章探讨了连续批处理中异步的复杂性。
-
AI RAG架构解决金融数据摄取挑战
本文详细介绍了一个生产就绪的检索增强生成（RAG）系统架构，特别适用于数据复杂且非结构化的金融行业。文章强调了高质量数据摄取的重要性，包括在索引之前对PDF、电子表格和扫描文档进行强大的解析。提出的解决方案利用了IBM Research的开源工具Docling，以准确提取表格等结构化数据并保留文档布局，这对于准确检索和防止后续AI处理中的“上下文窗口污染”至关重要。
-
Hugging Face 发布更新，包括 Transformers.js、新排行榜和 AI 工具
Hugging Face 在其平台上发布了多项更新和新项目。其中包括可在 NPM 上使用的 Transformers.js v4、Codex 和 Claude 的自定义 CUDA 内核，以及带有新的多语言和长格式赛道的 Open ASR Leaderboard。此外，Hugging Face 还推出了 Falcon Perception、HCompany 的 AI 浏览器合作伙伴 HoloTab 以及 Swift-Huggingfac…
-
LlamaIndex和IBM解析器在RAG文档准备方面进行测试
本文评估了两个开源文档解析器，来自LlamaIndex的LitParse和来自IBM Research的Docling，它们在为检索增强生成（RAG）管道准备文档方面的有效性。评估重点考察了一个包含复杂表格和代码块的340页技术教科书，突出了文档解析在RAG系统性能中至关重要但常被忽视的作用。目标是提供关于这些解析器在摄入Qdrant等向量数据库之前如何处理困难文档结构的客观性能数据。
-
研究人员的多智能体AI失败预测模型失败
一位研究人员试图开发一个多智能体AI系统失败的预测模型，假设“循环压力”和“信息增益衰减”等信号可能预示着即将发生的故障。该实验经过严格预注册以避免自我欺骗，其AUC约为0.46，未能达到0.80的成功阈值。进一步分析显示，主要信号测量的是运行长度而不是失败，在纠正这一点后，结果显示出轻微的负相关，表明信息减缓也可能表明任务成功完成。
-
前沿AI模型未能通过新的IT基准测试，得分低于50%
一项新的基准测试ITBench-AA已发布，用于评估前沿AI模型在企业IT任务（特别是站点可靠性工程SRE）方面的能力。在初步测试中，即使是Claude Opus 4.7和GPT-5.5等最先进的模型，在诊断Kubernetes事件方面的得分也低于50%。该基准测试显示，模型在根本原因分析方面存在困难，并且更长的调查轨迹不一定会带来更高的准确性，有些模型会过度调查并识别出假阳性。
-
AI 代理通过新的 A2A 协议 v1.0 实现跨平台通信
Microsoft 发布了其 A2A 协议 1.0 版本，这是一个稳定且可投入生产使用的标准，用于 AI 代理之间的跨平台通信。该协议旨在通过为不同供应商和框架的代理提供统一的交互方式，从而消除对自定义集成代码的需求。A2A 协议是一项开放标准，得到了广泛的行业支持，包括 AWS、Google 和 Salesforce 等主要科技公司的贡献。
-
Hugging Face 详细介绍 Holotron-12B、VAKRA 和开源 AI 趋势
Hugging Face 发布了关于 Holotron-12B 的详细信息，这是一个专为高吞吐量计算机使用代理设计的模型。此外，一篇博客文章探讨了截至 2026 年春季开源对 Hugging Face 的贡献的现状。该公司还发布了对 VAKRA 的分析，详细介绍了代理推理、工具使用和失败模式。
-
AI模型评估正成为昂贵的瓶颈，成本已超越训练费用
AI模型评估正变得成本高昂，近期基准测试的成本高达数万美元，并消耗数千个GPU小时。对于本质上更复杂且对设置变化敏感的基于代理的评估而言，这种高成本尤为突出。虽然存在通过子采样降低静态基准测试成本的方法，但这些技术对于基于代理的评估的动态和嘈杂特性效果不佳，从而造成了研发瓶颈。
-
IBM Research 将 vLLM 集成到其 RITS 平台以进行 AI 开发
IBM Research 已将 vLLM（一个用于快速 LLM 推理的开源库）集成到其 RITS 平台中。此次集成旨在通过利用 vLLM 对大型语言模型的高效处理来增强平台的性能。此举标志着 IBM 致力于利用先进的 AI 基础设施来推动其研究项目。