Rasa
PulseAugur coverage of Rasa — every cluster mentioning Rasa across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新方法大幅压缩AI模型微调参数
研究人员开发了一种名为层级低秩重参数化（Hierarchical Low-Rank Reparameterization）的新方法，可以显著压缩参数高效微调（PEFT）方法中的可训练参数。该技术将PEFT参数重组并分解为多层压缩结构，在旨在保持强大性能的同时，大幅减少了所需的参数数量。当应用于LoRA和DoRA等现有的PEFT方法时，这种方法已显示出具有竞争力的结果，甚至在参数压缩一个数量级的情况下，在常识推理任务上的准确性上超越了基线。
-
开发者将 Rasa Mantle 集成到 VS Code 扩展中，用于对话式笔记
一位开发者已将其 VS Code 扩展 NoteVs 集成 Rasa 的新代理引擎 Rasa Mantle。此次集成使用户能够以对话方式与项目笔记进行交互，询问有关注释或提醒的问题。开发者强调了 Mantle 的优势，特别是与经典 CALM 相比简化的 YAML 结构，并详细介绍了其功能，如带有类型提示和错误处理的工具调用、基于技能的工具选择以及用于破坏性操作的内置确认机制。
-
新研究解决了MoE模型的可解释性和安全对齐问题
两篇新研究论文探讨了混合专家（MoE）模型的复杂性。第一篇论文RouterInterp提出了一种理解专家路由的方法，提出了叠加专业化假说，认为专家专注于细粒度特征而非广泛领域。据报道，该方法在gpt-oss-20b模型上将路由解释准确率提高了65%。第二篇论文RASA解决了MoE模型中的安全对齐挑战，提出了一种路由感知的专家级框架，专门修复“安全关键专家”并防止绕过，在保持通用能力的同时实现了针对越狱攻击的近乎完美的鲁棒性。
-
人工智能赋能品牌，通过数据统一和个性化提升客户体验
品牌可以通过利用人工智能统一碎片化数据和个性化互动来增强客户体验。人工智能驱动的工具可以分析客户行为、预测需求并自动化重复性任务，从而实现更相关的沟通和改进的支持。整合人工智能进行数据组织、意图识别和实时个性化的平台对于建立更牢固的客户关系和获得竞争优势至关重要。
-
新的RASA框架将空间和运动先验分离用于角色动画
研究人员开发了RASA，一个用于跨身份角色动画的新框架，该框架将空间映射与运动控制分离开来。该系统使用一个两阶段过程：一个空间先验校准器（Spatial Prior Calibrator）来对齐身份与运动，以及一个内在运动引导器（Inherent Motional Guider）来编码关节参数。这种方法旨在提高角色动画的运动保真度和视觉质量，为该领域建立新的范式。
-
Slang AI 高管表示，对话设计随着大语言模型而演进，而非消亡
在一次播客讨论中，Slang AI 的 Rebecca Evanhoe 认为，对话设计正在演进而非消亡，从传统 NLU 转向利用大语言模型 (LLM) 进行上下文工程。Slang AI 采用混合系统来处理餐厅的语音 AI，使用大语言模型处理菜单查询等任务，同时保留确定性规则来处理核心业务逻辑和 API 集成，以控制成本并减少幻觉。该公司正在开发新的大语言模型评估方法，包括使用大语言模型作为评判者，以及一种包含人工标注员的“智囊团”方法…