Kaplan
PulseAugur coverage of Kaplan — every cluster mentioning Kaplan across labs, papers, and developer communities, ranked by signal.
-
Meta 研究人员揭示新的 AI 扩展定律和智能体（agent）利用方法
Meta 研究人员发布了两篇论文，详细介绍了 AI 扩展定律和智能体（agent）利用开发方面的进展。第一篇论文提出了一种将模型容量和训练数据相结合的“扩展定律”（Scaling law），提高了损失预测的准确性，并减少了规划预训练预算的计算需求。第二篇论文提出了 EvoHarness-RL，一种使智能体（agent）能够离线学习利用策略（harness policies）的方法，从而能够执行更鲁棒的长期任务，并在 ALFWorld …
-
新的“Skaling”定律以更少的计算量改进神经网络缩放预测
研究人员引入了一种名为“Skaling”的新型神经网络缩放定律，该定律解决了现有模型中的局限性。由于假设模型大小和训练数据的独立影响，标准公式在数据稀疏或过度训练的极端情况下常常会错误估计损失。Skaling 将这些因素与交互指数耦合，将平均绝对百分比误差（MAPE）降低了 1.5-3 倍。这种新定律与稀疏网格策略结合使用时，能够以比传统方法少约 10 倍的计算量进行准确的外推，从而为未来模型的训练实现更高效的计算预算分配。
-
利用融合磁通和电流数据识别水轮发电机运行状态 · 跟踪 2 个来源
研究人员开发了一种通过融合气隙磁通和转子电流测量数据来识别10兆瓦卡普兰水轮发电机运行状态的方法。该研究利用十个定子安装的霍尔探头和六个转子电流通道来分析七种稳定的导叶开启设置。通过结合气隙场的空间傅里叶描述符和转子电流特征，SVC-RBF模型在识别这些运行状态时达到了99.5%的测试准确率，展示了数据驱动监控的准确潜力。
-
AI缩放定律由新的数据混合框架解释
研究人员开发了一个新的理论框架来解释数据混合如何影响AI模型的缩放定律。该框架将现有的神经缩放定律理论扩展到多领域数据，将“容量竞争”和“噪声降低”确定为影响模型在不同数据混合中性能的关键因素。所提出的模型不仅比以前的基线更准确地拟合了损失曲线，而且还成功地根据小规模数据的训练情况，使用更少的参数预测了大规模模型的有效训练混合。