Sacramento
PulseAugur coverage of Sacramento — every cluster mentioning Sacramento across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
企业投资回报率担忧和代币战促使AI公司削减价格
像OpenAI和Anthropic这样的主要AI公司正面临压力，因为企业客户对其基于代币服务的投资回报率提出质疑，迫使它们削减价格。尽管代币需求激增，预计到2026年将使支出翻倍，但许多公司发现生成式AI试点并未带来可衡量的利润。这场潜在的价格战可能会压缩利润率，影响未来的IPO估值，并影响从芯片制造商到云服务提供商的整个AI供应链。
-
城市放弃沥青，转向更凉爽、更透水的停车场替代方案
美国各城市越来越多地选择传统沥青停车场以外的替代方案，以应对不断升高的气温和管理雨水径流。这些替代方案包括多孔混凝土板、本地植物景观、透水铺路砖和生物滞留雨水花园。一些市政当局还在减少停车位要求，以减少不透水表面的总体积。沥青行业正通过推广先进材料来应对，同时也敦促仔细考虑替代方案的耐用性。
-
新的C++引擎HASE在多智能体强化学习训练中达到33M步/秒
研究人员开发了一种名为捉迷藏引擎 (HASE) 的新C++引擎，旨在显著提高在去中心化、部分可观察环境中的强化学习智能体训练效率。通过利用面向数据设计和优化的内存处理，HASE在单个智能体上实现了高达每秒3300万步的惊人吞吐量。该引擎大大缩短了多智能体策略的训练时间，使得复杂的协作行为能在几分钟内学会。
-
研究人员开发用于城市规模电动汽车叫车服务的半马尔可夫强化学习
研究人员开发了一种新颖的半马尔可夫强化学习方法，用于优化城市规模电动汽车（EV）叫车车队。该方法解决了调度、重新定位和充电等复杂决策问题，同时遵守充电器和馈线限制等物理约束。该系统结合了高级意图和混合整数线性规划来确保可行性，并采用鲁棒优化技术来处理不确定的需求和出行时间。在基于纽约市出租车数据的模拟器中进行的实验表明，该方法显著优于现有基线，净利润达到122万美元。
-
研究人员开发用于电动汽车叫车服务的半马尔可夫强化学习，提高利润并确保可行性。
研究人员开发了一种新颖的半马尔可夫强化学习方法，用于管理大规模电动汽车叫车车队。该方法确保调度、重新定位和充电决策严格遵守充电器和馈线限制等物理约束，即使在需求和出行时间不确定的情况下也是如此。该系统利用掩码执行器产生高级意图，然后通过混合整数线性规划进行投影以保证可行性。在纽约市出租车数据集模拟器上的实验表明，名为 PD--RSAC 的方法显著优于基线方法，净利润达到 122 万美元，同时避免了任何馈线限制违规。