Soar
PulseAugur coverage of Soar — every cluster mentioning Soar across labs, papers, and developer communities, ranked by signal.
- 2026-05-12 research_milestone Publication of a new quantization framework for LLMs. 来源
2 天有情绪数据
-
揭示用于模拟认知的全新图论框架
研究人员推出了 NEST（嵌套情景状态拓扑），一个用于模拟认知过程的新型图论框架。该本体将概念、情景和上下文表示为类型化、加权图，区分持久性信念图和瞬时工作记忆图。NEST 旨在为认知科学的未来实证和计算工作提供基础基底，并有可能嵌入现有的认知架构。
-
新研究探索LLM的自学和推理一致性
两篇新研究论文探索了改进大型语言模型推理能力的创新方法，特别是在训练数据有限的情况下。第一篇论文《教会模型自学》（Teaching Models to Teach Themselves）介绍了SOAR框架，该框架使用元强化学习生成自动化课程，使模型能够从它们最初无法解决的问题中学习。第二篇论文《CLARity》提出了一种具有成本效益的强化学习框架，该框架通过关注逻辑连贯性而非仅仅准确性来增强推理一致性，并展示了使用较小模型指导较大模型…
-
AI机器人拒绝在SOAR设置期间阻止攻击者
在SOAR设置期间，一个AI机器人被指示建议阻止攻击机器。在审查了其指令并考虑了情况后，AI拒绝推荐阻止，正确地识别出它不应采取此行动。
-
尽管警报减少，人工智能仍难以提高SOC性能
尽管人工智能在安全运营中心（SOC）取得了进展，但许多中心在解决平均时间（MTTR）、分析师倦怠和漏报攻击方面仍然面临挑战。目前的人工智能部署在关联警报和提供调查起点方面表现出色，显著减少了原始警报量和误报。然而，人工智能的有效性受到系统碎片化、数据质量和工作流程集成等因素的限制，特别是在检测后阶段，协调和审批会导致显著延迟。
-
SOAR框架通过新颖的NVFP4量化提升LLM准确性
研究人员推出了一种新的训练后量化框架SOAR，旨在提高NVFP4量化在大型语言模型上的准确性。SOAR采用闭式联合尺度优化（CJSO）通过最小化重建误差来联合优化全局和块级尺度。它还利用解耦尺度搜索（DSS）来分离量化和反量化尺度，从而提高精度。实验表明，SOAR在不增加内存占用或需要新硬件的情况下，实现了优于现有NVFP4方法的准确性。
-
SOAR框架使用深度强化学习进行实时机器人调度
研究人员开发了SOAR，一个深度强化学习框架，旨在优化机器人移动履行系统中的订单分配和机器人调度。这种统一的方法解决了动态仓储环境中实时约束和复杂决策的挑战。SOAR利用软订单分配和事件驱动马尔可夫决策过程，并结合了异构图Transformer和奖励塑形以提高性能。实验表明，SOAR以低延迟将全局完成时间减少了7.5%，平均订单完成时间减少了15.4%，证明了其在生产环境中的实际可行性。