Qwen 9B
PulseAugur coverage of Qwen 9B — every cluster mentioning Qwen 9B across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
FewHumans库提高了大语言模型裁判的可靠性并降低了人工标注成本
一个名为FewHumans的新库已被开发出来，以解决大语言模型裁判在评估AI模型输出时不可靠的问题。这些裁判通常会高估自己的准确性，在大多数测试案例中，仅裁判的置信区间都未能包含真实的人工验证值。FewHumans旨在通过智能地选择人类应标注的数据点、结合人类和LLM的判断，并提供统计上可靠的置信区间来改进这一点，从而在提高准确性的同时减少对广泛人工标注的需求。
-
Cowork-Gym 框架训练 Qwen 模型以执行协作代理任务
研究人员开发了 Cowork-Gym，一个旨在为训练协作式人工智能代理大规模合成交互式工作环境的框架。该框架利用构建-执行-修正循环，结合用户模拟和反馈来验证和修复生成的环境。该系统被用于微调各种尺寸的 Qwen 模型（9B、27B 和 35B-A3B），在代理基准测试中取得了显著的性能提升，其中 27B 模型在 PAWBench 和 ClawEval 等特定基准测试中的表现明显优于更大的模型。
-
新的SearchWiki框架学习导航知识维基以进行主动信息检索
研究人员开发了SearchWiki，一个旨在将语料库合成为结构化、可导航知识维基的框架。该系统训练了一个名为WikiResearcher-9B的智能体，通过多轮工具使用主动搜寻信息，并将知识组织在文档概述、跨文档主题页面和页面级来源记录中。在各种基准测试上的评估表明，WikiResearcher-9B（一个经过RL微调的Qwen 9B模型）的性能显著优于基线模型，并能媲美或超越更大的外部模型，这凸显了与扁平检索方法相比，通过结构化语料…