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
6 天有情绪数据
-
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。