KataGo
PulseAugur coverage of KataGo — every cluster mentioning KataGo across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
围棋大师申真谞让二子击败AI KataGo
职业围棋选手申真谞在一场比赛中击败了AI程序KataGo。申真谞通过让二子的方式战胜了KataGo，这表明在复杂的围棋游戏中，人类在特定条件下取得了对抗先进AI的重大成就。
-
人类围棋大师申真谞击败AI KataGo
人类围棋选手申真谞在一场历史性比赛中击败了AI程序KataGo。这场胜利标志着在复杂策略游戏中，人类智能与人工智能持续竞争中的一个重要时刻。比赛凸显了即使在AI能力不断进步的情况下，人类掌握的潜力依然存在。
-
KataGo AI 训练韩国围棋队，挑战 Arimaa 玩家
一款名为KataGo的人工智能正被韩国国家围棋队用于训练，以备战与人类冠军的比赛。这款由GoMagic开发的人工智能表现出色，甚至能对抗申真谞这样的九段选手。虽然人工智能在围棋、国际象棋和将棋等游戏中已经超越了顶尖人类选手，但Arimaa游戏仍然是一个挑战，并为能够击败其顶尖选手的机器提供了现金奖励。
-
研究论文强调了 AI 解释的可解码性与忠实性之间的差距
一篇新研究论文探讨了语言模型生成合理解释的能力与其解释是否准确反映模型推理过程之间的差距。该研究引入了一个名为“验证器耦合推理”的框架，该框架训练了一个辅助一致性头部，以从解释跨度隐藏状态预测程序化验证器输出。虽然此方法使得验证器信息可以从解释表示中解码，但它不能保证忠实生成，正如在形式定理证明、围棋引擎和代码生成实验中所证明的那样。
-
Ollama v0.32.6 提升 Qwen 3.5 在 Apple Silicon 上的速度，改进 OpenAI 兼容性 · 跟踪 4 个来源
Ollama 发布了 0.32.6 版本，通过 MLX 引擎和推测性解码显著提高了 Qwen 3.5 模型在 Apple Silicon Mac 上的性能。此次更新还通过对 /v1/chat/completions 端点的流式格式进行对齐，增强了与 OpenAI API 的兼容性。此外，KataGo 和 llama.cpp 等其他相关项目也收到了错误修复，KataGo 解决了 TensorRT 问题，llama.cpp 解决了 Vul…
-
llama.cpp 为 Qwen3-Next 模型添加 MTP 支持
开源项目 llama.cpp 发布了 b10238 版本，为 Qwen3-Next 大语言模型增加了多触角感知 (MTP) 支持。此次更新使得在消费级硬件（包括 CPU 和 GPU）上更高效地进行 Qwen3-Next 的本地推理成为可能。该版本还包含对 Python 类型检查和 MTP 层计算的持续改进，展示了 llama.cpp 在快速集成和优化新的开源模型以供本地执行方面的承诺。
-
围棋AI研究探索神经网络对称性学习
一位研究人员探索了用于围棋程序的神经网络的内部表征，特别是研究这些网络是否固有地学习对称概念，还是分别记忆方向。这项研究在很大程度上由人工智能在人类指导下进行，分析了KataGo程序，以了解其神经网络在多大程度上捕捉了游戏的旋转和反射对称性。研究结果在一个公开的报告和代码中详细介绍，揭示了一些意想不到的结果，为更广泛的人工智能可解释性领域做出了贡献。
-
llama.cpp PR 缓存 MoE 专家以加速本地 AI 推理 · 跟踪 4 个来源
llama.cpp 的一项新拉取请求引入了一种在 GPU 上缓存常用专家混合（MoE）层的方法，通过将 Qwen3.6-35B-A3B 等模型在显存有限的消费级硬件上的推理速度最高提升 2 倍。然而，这种优化并非普遍适用，由于开销原因，在某些情况下甚至可能降低性能。同时，llama.cpp 还迎来了其他更新，包括增强了对 Intel GPU 的 SYCL 支持，改进了 iGPU 和 WebGPU F16 性能，并为聊天模型引入了工具调…
-
vLLM v0.25.0 推出 Model Runner V2，增强本地 LLM 推理能力
vLLM 项目发布了 0.25.0 版本，将 Model Runner V2 作为密集模型的默认选项，增强了量化支持，从而实现更高效的本地 LLM 推理。此次更新旨在提高吞吐量和降低延迟，使在消费级硬件上运行复杂的开源模型更加容易。此外，Ollama v0.32.5 已发布，修复了影响 Apple Silicon 上 NVFP4 模型输出质量的错误，确保了 macOS 设备上本地推理的可靠性。
-
AI模型KataGo让先击败围棋顶尖棋手申真谞
韩国围棋冠军申真谞在让先两子的情况下，输给AI模型KataGo。赛后，申真谞表示，本局的困难在于早期就偏离了准备好的策略，这极大地影响了他的整体比赛计划。
-
新的大语言模型研究涵盖多模态对齐、推理审计和能源使用 · 已追踪 10 个来源
近期研究探讨了大语言模型（LLM）能力和局限性的各个方面。一项研究调查了多模态大语言模型的对齐问题，提出了一种新的数据生成方法来提高图像-文本一致性。另一篇论文介绍了一种用于评估大语言模型推理的协议级审计，突出了基准分数与实际行为属性之间的差异。进一步的研究利用围棋死活题探究了大语言模型的推理效率，揭示了当前模型在搜索组织方面存在困难。此外，还有研究考察了大语言模型的能耗、默认设置和代币定价对推理服务的影响，以及低资源编程语言基准的开发。