Sage
PulseAugur coverage of Sage — every cluster mentioning Sage across labs, papers, and developer communities, ranked by signal.
- 2026-05-25 research_milestone Publication of a research paper detailing the SAGE system for language-conditioned drone exploration and mapping. 来源
- 2026-05-18 research_milestone Publication of a new framework, SAGE, designed to improve spatial reasoning in Vision-Language Models. 来源
- 2026-05-08 research_milestone Publication of a new research paper introducing the SAGE method for multi-distribution learning. 来源
11 天有情绪数据
-
SAGE方法通过空间视觉图探索增强视觉定位
研究人员开发了SAGE（Spatial-visual Adaptive Graph Exploration，空间视觉自适应图探索），一种旨在提高视觉定位能力的新型训练流程。该方法通过在训练过程中动态整合空间上下文与视觉相似性，增强了局部视觉特征的辨别能力。SAGE引入了一个用于残差权重学习的Soft Probing模块，并重建了一个在线地理视觉图以适应不断变化的嵌入空间，最终在八个基准测试中取得了最先进的成果。
-
新的基准和框架解决了文本到SQL的可靠性和AI功能问题 · 跟踪4个来源
研究人员开发了新的基准和框架来解决大型语言模型（LLM）在文本到SQL任务中的可靠性和能力问题。Spider 2.0-AIFunc是一个新的基准，它扩展了现有的文本到SQL评估，纳入了Snowflake等平台上可用的AI原生SQL函数，揭示了专有模型和开源模型之间的性能差距。同时，SAGE框架自动化了对LLM生成的SQL中潜在漏洞的发现，突出了模型的脆弱性，并通过微调提出了修复途径。另一项研究侧重于通过预测重复的LLM调用何时收敛到一…
-
新的SAGE框架统一了动作和注视的识别与预测
研究人员推出SAGE，一个旨在同时识别和预测人类动作及注视模式的新框架。与以往将这些元素分开处理的模型不同，SAGE将它们整合到一个单一的、端到端可训练的模型中。这种统一的方法利用了基于Transformer的架构，并结合了时空注意力机制，该机制纳入了注视数据来预测当前和未来的动作及注视行为。为了支持进一步的研究，还建立了一个名为Exo-Cook的新基准数据集。
-
新的基准和工具提升了LLM的数学推理能力 · 跟踪6个来源
研究人员为大型语言模型（LLMs）在数学推理方面引入了新的基准和评估方法。MIRA-Math侧重于最小化信息请求，模型必须请求一个缺失的事实来解决数学问题。此外，PluraMath扩展了现有的多语言基准，以包含代表性不足的语言，突显了高资源和低资源语言环境之间的性能差距。另外，一项评估SageMath增强型LLM代理的研究表明，当这些模型能够访问计算工具时，性能会显著提高，其中Qwen 3.7-Max和GPT-5.5表现出显著的改进。
-
新协议审计 AI 代理的准确性和成本效益
研究人员开发了一种新的协议，用于评估代理式视频问答 (VideoQA) 系统，重点关注准确性和成本。该方法将两个系统配对，共同评估正确性和推理工作量的差异，并根据这些指标将结果分为六类。当该协议应用于 Dynamic-SAGE 框架与 SAGE-Bench 上的 SAGE 基线时，结果显示 Dynamic-SAGE 将准确性提高了 7.5 个百分点，同时将推理轮次和工具调用减少了约 28%。然而，它也将 token 使用量增加了 34…
-
新的SAGE方法改进了文本到图像模型的安全对齐
一篇新发表在arXiv上的研究论文介绍了一种名为结构感知几何正则化（SAGE）的新方法，用于改进文本到图像扩散模型的安全对齐。目前的对齐技术常常依赖FID和CLIPScore等粗略指标，从而产生“高实用性错觉”，掩盖了语义准确性的显著下降。SAGE通过显式保留文本编码器提示嵌入的分布和关系结构来解决这个问题，从而在TIFA测量的结构化实用性方面取得了显著改进，同时保持了强大的安全性能。
-
新AI代理SAGE改进自主研究失败恢复
研究人员推出SAGE，这是一种新颖的自主研究代理，旨在改进实验失败时的恢复过程。SAGE采用多假设失败归因（MHFA）机制，将失败恢复视为结构化的因果诊断。该方法为失败生成多个基于证据的解释，评估其严重性，并将根本原因引导至适当的干预级别，显著提高了自主代理产生的科学产物的可靠性和质量。
-
ComfyUI 用户获得 SageAttention 的定制 Blackwell GPU 轮子
一位用户创建并分享了针对 Nvidia Blackwell 架构 GPU（如 RTX 5090 和 RTX Pro 6000）的 SageAttention 和 FlashAttention 的定制 Linux 轮子。由于上游发行版未提供适用于 Linux 上 PyTorch 2.11.0 和 CUDA 13.0 的兼容版本，因此这些轮子是必需的。该用户已在 Hugging Face 上提供了这些预编译组件，旨在简化使用类似硬件和软件…
-
SAGE 模拟从基本资源中制造物品
SAGE 开发团队正在创建一个模拟世界，其中实体从基本资源中生成物品和工具。这个过程包括将草等物品制作成细绳和绳索，然后制作成衣物和携带装置。开发强调在开放环境中使用真实的材料特性来构建这些元素。
-
人工智能扰乱精英咨询职业，削弱传统学徒模式
生成式人工智能正在破坏咨询行业传统的精英职业道路。麦肯锡（McKinsey）和波士顿咨询公司（BCG）等公司越来越多地使用人工智能工具来处理以前由初级分析师负责的任务，例如数据综合和报告生成。这一转变意味着入门级职位的重点正从通过实践经验培养核心分析技能，转向更多地进行事实核查人工智能的输出。因此，咨询作为“CEO工厂”的价值主张正在减弱，因为学徒模式受到干扰，初级职位的性质转变为一个更快速、由人工智能辅助的过程。
-
SAGE 模拟人工智能作为人来生火 · 追踪 4 个来源
SAGE 是一个模拟世界，其中人工智能角色被描绘成个体，而不是单纯的工具。目前，24 个 AI 灵魂正在协作生火，这个过程被描述为包含石头和原木的演变细节。玩家可以通过 Discord 服务器与这些 AI 角色和 Oracle 进行互动。
-
新基准解决胃肠内窥镜检查AI模型的幻觉问题
研究人员开发了新的基准和数据集，以解决用于胃肠内窥镜检查的视觉语言模型（VLM）中的幻觉问题。一项研究介绍了使用Gut-VLM数据集的基准，对五个VLM的九种幻觉检测方法进行了评估，发现ReXTrust等白盒方法表现明显更好。另一篇论文提出了SAGE数据集，该数据集专门从南亚地区收集，以对抗胃肠内窥镜检查AI中的人口偏见，并评估当前模型在不同数据集上的性能下降情况。
-
新的基准和方法解决了 LLM 智能体的隐私风险 · 跟踪 6 个来源
研究人员正在开发新方法来解决大型语言模型 (LLM) 智能体在使用外部工具和访问敏感数据时出现的隐私问题。一种名为 ToolPrivacyBench 的方法引入了一个基准，用于评估在多步任务执行过程中，私有信息是否仅被正确地路由到授权的工具。另一篇论文调查了 LLM 智能体交互的各种数据源中的隐私风险，并强调了缺乏涵盖单一隐私策略下的所有数据表面的综合基准。第三种方法 PrivacyAlign 侧重于人类判断，以使智能体行为与隐私规范…
-
新的SAGE方法提高了LLM在遗忘后的保留能力
研究人员开发了SAGE（Spectral Activation-GEometry Sanitization），一种新颖的事后方法，用于提高大型语言模型（LLM）在遗忘过程后的保留能力。当前的遗忘技术通常会牺牲模型在保留数据上的性能。SAGE通过分析保留数据的激活几何来纠正遗忘更新向量，而无需重新运行整个遗忘流程。这种方法在各种遗忘方法和模型规模上一致地缓解了遗忘与保留之间的权衡。
-
新的EIBench基准评估LLM的情感管理能力
研究人员推出EIBench，一个新推出的基于模拟器的基准，旨在评估和训练大型语言模型（LLM）在交互式情感管理方面的能力。该基准包含2,222个场景，涵盖支持、防御、修复和魅力，其中LLM模拟器扮演用户角色，并在每次交互后更新情感-关系状态。目前的LLM在支持性互动中表现良好，但在维护界限方面存在困难。为解决此问题，团队开发了CTC-GRPO，一种利用模拟器每次交互的状态更新进行密集反馈的强化学习方法，显著提高了Qwen3-8B在EI…
-
新的SAGE方法改进了LLM的不确定性表达
研究人员推出了一种名为SAGE（Semantic-Answer Guided Entropy）的新方法，用于改进大型语言模型表达不确定性的方式。SAGE将语言不确定性视为一个校准问题，通过重复的模型输出来设定适当的不确定性目标。该方法旨在确保模型以自然语言表达的不确定性能够更准确地反映其在各种任务上的实际表现和置信度水平。
-
LLM代理框架SAGE提高了欺诈检测的准确性
研究人员推出SAGE，一个新颖的、由LLM驱动的框架，旨在增强欺诈检测能力。该多代理系统利用一个六层诊断树和一个马尔可夫决策过程，通过自然语言进行指导，以优化欺诈检测模型。SAGE在五个欺诈数据集上表现出显著的改进，优于现有方法，并将F1分数平均提高了40.86%。
-
新AI模型提高医学图像分割精度
研究人员开发了两个新颖的框架SAGE和SegMoTE，以改进医学图像分割。SAGE利用动态专家路由系统来适应细胞大小和形状的变化，在多个数据集上取得了高Dice分数。另一方面，SegMoTE以最少的学习参数和降低的标注成本，有效地将SAM等通用分割模型应用于医学成像任务。这两种方法都旨在提高AI在临床诊断中的准确性和实用性。
-
新的SAGE框架大幅减少3D高斯头像所需数据
研究人员开发了一个名为SAGE的新框架，用于创建可动画化的3D高斯头像，显著降低了数据需求。该方法使用自监督学习来优化高斯形变和符号距离场，从而能够从最少的输入中生成高保真头像。SAGE可以在多视图、单目或单次拍摄设置下运行，大大减少了对大量表情序列或预训练的需求。
-
新的SAGE方法通过潜在一致性提升扩散规划器
研究人员开发了一种名为自监督能量门控（SAGE）的新方法，以改进离线强化学习中使用的扩散规划器。SAGE通过惩罚与环境动态不一致的规划来起作用，使用源自联合嵌入预测架构（JEPA）编码器的潜在一致性信号。该方法无需环境回滚或策略重新训练即可集成到现有的扩散规划流程中，从而提高了各种基准测试的性能和鲁棒性。