Kepler
PulseAugur coverage of Kepler — every cluster mentioning Kepler across labs, papers, and developer communities, ranked by signal.
- 2026-05-22 product_launch Kepler's verifiable AI platform achieved 94% accuracy in financial document analysis.
- 2026-05-22 research_milestone Kepler's verifiable AI platform achieved 94% accuracy in financial document analysis, significantly outperforming general-purpose AI models.
- 2026-05-03 product_launch Kepler launched its verifiable AI platform for financial services, leveraging Anthropic's Claude model. 来源
1 天有情绪数据
-
Kepler 系统使用 Claude Opus 5 在 ARC-AGI-3 上取得满分
研究人员开发了 Kepler，一个开源系统，旨在创建可审计的世界模型，用于评估 ARC-AGI-3 基准上的 AI 代理。使用 Claude Opus 5 的特定配置，Kepler 在所有公开游戏中实现了 100.00 RHAE 的完美分数，且无需针对每个游戏进行调优。该系统还展示了效率，其最终 Opus 尝试使用的操作与人类基线相当，处理 8.58 亿个 token 的成本为 777.72 美元。该论文还详细介绍了评估失败，包括源代…
-
随着人工智能的普及，前线部署工程师的角色日益凸显
前线部署工程师（FDE）的角色正在成为人工智能行业中一个关键但常被误解的职位。FDE深入客户运营以解决具体问题，弥合了技术开发与实际应用之间的鸿沟。尽管由Palantir等公司率先提出，但FDE角色的定义和执行在OpenAI、Anthropic和Databricks等组织中差异很大，导致对其确切职责和汇报结构存在困惑。
-
新的EncoTESS模型可高效分析恒星光变曲线以预测年龄
研究人员开发了EncoTESS，这是一种新颖的时间序列基础模型（TSFM），旨在分析来自恒星的原始TESS光变曲线数据。该模型比典型的TSFM小得多，可以在标准笔记本电脑上使用。EncoTESS能有效处理TESS数据中的常见问题，如噪声、不规则采样和数据缺失，将光变曲线编码到潜在空间中以推断恒星属性。它在预测恒星年龄方面表现尤为有效，在年轻恒星方面优于现有方法。
-
哲学方法探讨科学与数学中的经验飞轮
本文讨论了两种互补的哲学探究方法：连接现有概念和寻求新经验或知识以更新高级概念。作者提出，研究科学和数学是后者的自然选择，因为这些领域充当了推动现代化的“经验飞轮”。这些飞轮涉及明确定义的程序和技术，能够进行精确的提问和问题解决，从而在概念进步与经验或计算进步之间形成良性反馈循环。
-
NASA的Roman太空望远镜将于8月30日发射，比原计划提前九个月
美国宇航局（NASA）的Nancy Grace Roman太空望远镜定于8月30日发射，比原定计划提前约九个月。这座以NASA首位首席天文学家命名的天文台，旨在绘制数十亿个星系的地图，并发现多达10万颗系外行星，包括流浪行星。该望远镜将利用比哈勃望远镜大得多的广阔视野，来研究暗能量、暗物质和其他宇宙现象。
-
EON为太空激光数据网络融资1075万美元
Endeavor Optical Networks (EON) 已获得1075万美元的种子轮融资，用于开发一种新颖的基于卫星的激光通信网络。该系统旨在提供超过2.4太比特每秒的高带宽数据传输，以与海底光纤电缆竞争，并可能超越它们。EON计划部署约20颗卫星组成的星座，目标是需要海量数据传输的超大规模用户和AI实验室，特别是针对服务不足的洲际航线。
-
机器学习框架揭示振荡的通用动力学时钟
研究人员开发了一个机器学习框架，用于建立一个通用的动力学时钟来理解复杂的振荡动力学。该框架受到托勒密的地黄道和开普勒定律的启发，将高维振荡表示为非线性坐标系中的均匀旋转。该方法已取得重要发现，包括解释了大肠杆菌种群中的超线性标度律、分析遗传电路的响应、识别贝里几何相位在经典力学中的对应物，以及使用非均匀性作为临界转变的早期预警信号。
-
DevOps 周末阅读：Podman 6.0、AI 代理安全和 Kepler 重写
本周末阅读内容重点介绍了与 DevOps 和 AI 社区相关的几项技术更新和讨论。要点包括 Podman 6.0 移除了 CNI 和 cgroups v1，Auth0 关于通过限制 AI 代理访问秘密来降低风险的观点，以及 Kepler 的完全重写。
-
波斯湾原油出口在6月份激增，紧张局势有所缓和 · 跟踪到1个来源
波斯湾地区的原油出口在6月份显著增加，日均超过1000万桶。这种反弹归因于中东紧张局势的缓和以及霍尔木兹海峡航运的逐步恢复。尽管有所恢复，但出口水平仍远低于冲突前的水平，其中阿联酋的恢复速度最快，出口量创下历史新高。
-
旧NVIDIA Kepler GPU得以复活，用于现代LLM推理
一个技术项目已成功使现代大型语言模型（LLMs）运行在旧的NVIDIA Kepler GPU上，具体来说是一块GTX 770，这些GPU通常被认为已经过时。这是通过修补专有的NVIDIA驱动程序以支持更新的Linux内核编译，并修改CUDA库中的特定指令来绕过初始化错误来实现的。此举旨在减少电子垃圾，并通过延长旧硬件在AI推理任务中的使用寿命来展示实际的系统工程能力。
-
NASA的TESS在一个系统中发现两颗罕见的“棉花糖”行星
NASA的TESS航天器在一个恒星系统中识别出两颗密度极低的行星，被描述为“棉花糖”世界。这两颗行星TOI-791 b和TOI-791 c，大小与木星相当，但质量仅为其一小部分，这使得它们成为极其罕见的发现。这项由牛津大学的George Dansfield领导的发现，利用TESS数据分析了它们不同寻常的轨道和相互引力影响，为研究大质量行星的形成和演化提供了宝贵的见解。
-
OpenAI 的 Kepler：处理海量数据集的 AI 数据分析师
OpenAI 开发了一个名为 Kepler 的内部 AI 数据分析师，能够每天处理超过 600 PB 的数据和 70,000 个数据集。该系统利用 MCP、检索增强生成 (RAG) 和平台元数据上的向量搜索。Kepler 作为一种自主代理，旨在识别数据集、制定复杂查询、调查异常并以自然语言提供见解。
-
TransitNet 深度学习模型提高了系外行星探测精度
研究人员开发了 TransitNet，一个专为检测低信噪比（SNR）系外行星而设计的深度学习框架。该模型在识别类地行星方面表现出高精度，在具有挑战性的 SNR 范围内达到 95.2% 的准确率，性能优于 TLS 和 BLS 等现有方法。TransitNet 还提供凌星窗口和中点估算，在应用于真实的 Kepler 数据时具有较低的平均绝对误差。该框架以其紧凑的尺寸和计算效率而著称，与传统算法相比速度显著提升。
-
AI模型EXOVEIL通过恒星行为探测系外行星
研究人员开发了EXOVEIL，一个利用基于Transformer的世界模型通过开普勒光变曲线训练来探测系外行星的新系统。该系统学习恒星的正常行为，并识别出表明凌星的偏差，即使是单次凌星事件。EXOVEIL在现有数据集上表现强劲，并显示出对TESS等新任务具有零样本迁移能力的潜力，接近类地行星的探测极限。
-
布莱恩·考克斯讨论人工智能风险和科学解释的局限性
布莱恩·考克斯教授讨论了科学在理解复杂现象中的作用，包括人工智能相关的潜在风险。访谈涉及了科学解释的局限性以及在各个领域持续的探索发现。
-
新AI框架DELOS增强系外行星凌星探测
研究人员开发了DELOS，一个利用对比学习从天文数据（特别是来自开普勒望远镜的数据）中检测浅层凌星的新框架。该方法旨在识别轨道周期在100至150天之间的微弱行星信号，在低信噪比情况下优于BLS和TLS等现有技术。DELOS通过结合GPU加速的相位折叠和卷积编码器来实现这一点，显著加快了搜索过程并提高了检测精度。
-
深度学习从短期天文观测中推断恒星参数
研究人员开发了一种深度学习方法，可以从短期天文观测中推断星震学参数。该模型旨在高效分析TESS等任务的数据，TESS已观测了数十万颗红巨星。该研究证明了机器学习算法能够从为期一个月的TESS和K2观测数据中准确推断出关键参数，如大频率分离和最大功率频率，尽管不同数据集的成功率各不相同。
-
Kepler使用Claude AI对财务文件进行分析，准确率达94%
Kepler开发了一个可验证的金融服务AI平台，利用Anthropic的Claude模型从财务文件中提供可审计的答案。该平台在从文件中提取特定数据点方面实现了94%的准确率，显著优于通用AI模型在此类任务上仅38%-46%的准确率。这种专门的架构解决了高度管制的金融行业对信任和验证的关键需求，使分析师能够用简单的英语提出复杂问题，并获得可靠、可追溯的结果。
-
Magnite和Optable集成AI代理以增强广告和商务
Magnite推出了新的人工智能驱动的买家代理和中介工具，早期采用者包括Disney Advertising、Kepler、MiQ和Spectrum Reach。另外，Optable和Goodway Group正在合作将代理式AI集成到互联商务解决方案中，已有70多名Goodway员工在使用该平台。
-
LLM在复杂系统设计方面存在困难；Kepler框架提供结构化替代方案
一篇新的研究论文探讨了大语言模型（LLM）在设计复杂网络系统方面的局限性。研究发现，LLM在架构推理方面存在困难，常常忽略关键约束并做出不正确的假设。为了弥补这一差距，研究人员开发了Kepler，这是一个使用结构化规范和优化来合成可行设计并解释其决策的框架。