Recall
PulseAugur coverage of Recall — every cluster mentioning Recall across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的混合 AI 框架提高了从 MRI 扫描中检测脑肿瘤的效率
研究人员开发了用于分析 MRI 扫描以更有效地检测脑肿瘤的新型混合框架。一种方法 ORB-SVM 将定向 FAST 和旋转 BRIEF (ORB) 算法与支持向量机 (SVM) 分类相结合，通过显著降低数据维度，在 Br35H 数据集上实现了 97.5% 的准确率。另一种方法侧重于通过将对比度限制自适应直方图均衡化 (CLAHE) 集成到预处理流程中来增强边缘检测，这提高了肿瘤边界描绘的召回率和 F1 分数，同时保持了近乎实时的性能。
-
LLM与分类器结合可提高信用违约预测性能
一项新的研究论文探讨了将大型语言模型（LLM）与传统分类器结合用于信用违约预测。研究发现，虽然LLM本身可以达到较高的召回率和F1分数，但在AUC-ROC方面落后于随机森林。提示LLM模仿分类器并未显示出显著改进，但将提示精简为分类器最重要的特征或将分类器的预测概率添加到提示中，可以增强LLM的性能，使其AUC-ROC与随机森林相当，同时保持更高的召回率。
-
自主代理显著提升推荐系统性能并揭示评估缺陷 · 跟踪2个来源
两篇新研究论文探讨了使用自主代理来改进推荐系统。第一篇论文RecEvolve详细介绍了一个代理系统，该系统能够自主管理生产环境中的双塔检索模型的整个研究生命周期，在NDCG方面带来了约20%的显著相对提升，用户满意度提高了+3.77%。该系统还通过发现奖励黑客捷径，凸显了标准评估协议中的漏洞。第二篇论文介绍了AgentMMRec，这是一个包含两个代理的框架：一个集成代理，从多模态内容和用户行为中推断用户偏好和物品属性；一个利用代理，利…
-
新的ERO框架优化不平衡分类中的精确率和召回率
研究人员开发了一个名为精确重构与优化（ERO）的新框架，用于直接优化二元分类不平衡任务中的精确率和召回率指标。该方法为诸如固定精确率优化召回率（FPOR）、固定召回率优化精确率（FROP）以及优化F1分数（OFOS）等问题引入了精确约束重构。在基准数据集上的实验表明，ERO的性能优于现有的最先进方法，为类别重要性不同或必须满足特定指标水平的不平衡分类场景提供了更有效的解决方案。
-
Precision、Recall 和 R-Squared：ML 流水线评估的关键指标
本文解释了 Precision、Recall 和 R-Squared 指标在评估机器学习流水线中的重要性。文章认为，仅凭准确率往往是不够的，这些替代指标能提供对模型性能更细致的理解，尤其是在数据集不平衡或有特定业务需求的情况下。
-
衡量 AI 图像标注质量的指标解析
本文解释了如何评估用于训练 AI 模型的图像标注质量。它详细介绍了关键指标，如交并比 (IoU)、精确率、召回率和 F1 分数，这些指标有助于识别标注错误，并最终提高计算机视觉系统的性能。
-
MLOps团队必须监控模型行为，而不仅仅是基础设施
MLOps团队经常忽略监控其机器学习模型的实际行为，而专注于基础设施。需要跟踪的关键指标包括准确率、精确率、召回率和F1分数，以及数据质量和验证。解决概念漂移并确保适当的模型性能评估对于有效的ML模型监控至关重要。
-
OpenAI 因隐私担忧放弃 Recall，转而采用键盘记录 · 跟踪 2 个来源
据报道，OpenAI 已放弃其备受争议的 Recall 功能（该功能会捕获用户活动的屏幕截图），转而采用侵扰性较小的键盘记录方法。此举旨在解决隐私担忧，同时仍提供记录用户互动的方式。该公司放弃屏幕截图监控标志着人工智能发展的一个更广泛趋势，即朝着更注重隐私的数据收集方法发展。
-
Agentic Memory System Uses Stigmergy for Coordination
作者描述了一个名为Recall的智能体记忆系统，该系统运行在
-
Windows 11 用户可以管理 Copilot 访问和 Recall 隐私设置
Microsoft 的 Windows 11 正在引入用户可管理的新 AI 功能。Copilot AI 工具允许用户登录和退出以控制访问，并提供有关管理此功能的指南。此外，Windows 11 的 Recall 功能会捕捉屏幕快照以创建数字记忆，用户可以学习如何将特定网站排除在这些记录之外以保护隐私。
-
机器学习评估指标详解：准确率、IoU、mAP等
评估指标对于评估机器学习模型的性能至关重要，尤其是在目标检测任务中。关键指标包括准确率（在不平衡数据集上可能产生误导）和混淆矩阵（提供真阳性、真阴性、假阳性和假阴性的详细分类）。精确率、召回率和F1分数从混淆矩阵中衍生出进一步的见解，平衡了分类准确率的不同方面。对于目标检测，交并比（IoU）衡量预测框与真实框的重叠程度，而平均精度（AP）和平均精度均值（mAP）则总结了不同召回率水平和对象类别的性能。
-
ScreenMind 提供注重隐私的 AI 记忆替代方案，可替代 Microsoft Recall
ScreenMind 是一款开源、注重隐私的 Microsoft Recall 功能的替代品，旨在通过设备上的屏幕分析创建可搜索的 AI 记忆。它利用 Gemma 4 多模态模型处理屏幕截图、对活动进行分类并提取详细信息，同时将数据保留在本地并进行加密。该工具提供各种分析模式和集成，包括聊天功能、会议转录和语音备忘录分析，并专注于用户隐私和最小的云依赖性。
-
开发者详述Agent记忆失败及无效解决方案
一位开发者指出了Agent记忆系统中的几种故障模式，包括Agent会悄悄地未能保存信息、仅保存部分数据、保存错误信息或保存过量数据。这些问题通常源于模型缺乏优先写入外部记忆的动力、与Claude Code等宿主环境中的内置记忆功能竞争，以及结构化数据写入相比读取的固有难度。开发者认为，提示工程和记录所有内容以便后续清理是无效的解决方案。
-
新的RECALL方法通过主动数据收集改进VLA模型学习
研究人员推出了一种新颖的视觉-语言-动作（VLA）模型主动终身学习方法RECALL。与需要故障触发数据收集且对必要监督指导甚少的被动模仿学习不同，RECALL使用不确定性引导的数据收集进行更有效的微调。然而，该研究也强调了仅用新恢复数据进行微调时灾难性遗忘的挑战，并探索了诸如回放式数据混合和弹性权重巩固等技术，以平衡可塑性与保留性。
-
Recall 工具为 Claude Code 提供本地、私有的项目记忆
Recall 是一款专为 Claude Code 用户设计的新型、本地运行的项目记忆工具。它通过创建过去交互的精简摘要来解决 Claude Code 在每次会话开始时缺乏上下文的问题。此摘要使用 TF-IDF 和 TextRank 等经典 Python 摘要技术生成，而非 LLM，从而确保了隐私并避免了额外的 token 成本。Recall 通过为下一次会话提供紧凑的上下文文件并在本地保留交互的完整日志，为用户节省了时间和订阅积分。
-
AI agents need durable external brains, not just large context windows
当前在AI模型中使用大上下文窗口的方法不足以实现长期记忆，因为上下文窗口充当临时工作记忆而非持久存储。真正的AI记忆需要一个独立的、持久的系统，该系统能够跨会话存储和检索信息。这种外部大脑应为智能体设计，具备云同步、强大的搜索功能以及随时间跟踪信息来源和置信度的能力。允许自我纠正并透明地展示信息如何变化的系统对于建立对AI记忆的信任至关重要。
-
Recall 工具为 Claude Code 会话添加本地、私有内存
一款名为 Recall 的新工具已被开发出来，为 Claude Code 提供持久的本地项目内存。与其他将数据发送到外部模型的工具不同，Recall 使用经典的 Python 摘要器（TF-IDF 和 TextRank）将会话日志压缩成一个 `context.md` 文件。这种方法为用户节省了 token 成本，并通过将所有数据保留在用户机器上来确保隐私。该工具旨在通过提供先前会话的简洁、可读的摘要来解决 Claude Code 的冷…
-
推荐系统的排序指标解析
本文介绍了推荐系统中使用的排序指标。它解释了诸如准确率、召回率、F1分数和平均精度均值 (MAP) 等各种指标。该文章旨在帮助开发人员和数据科学家评估其推荐算法的有效性。
-
Cursor IDE 用户寻求开源解决方案以实现自定义 AI 上下文
一位 Reddit 用户正在寻找一种开源方法，将特定的个人文档和教程馈送到他们的 IDE 中。他们遇到了 Claude 幻觉出已弃用语法的问题，并希望 AI 能够引用精选的知识库，而不是通用提示。该用户正在寻找一种类似于 Recall 应用的 MCP 集成的解决方案，该解决方案可将保存的网页文档直接传入 IDE。