Sympy
PulseAugur coverage of Sympy — every cluster mentioning Sympy across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的SPL语言统一了LLM编排和符号计算
研究人员推出了一种名为SPL（Structured Prompt Language）的新型声明式语言，旨在将确定性和概率性计算统一在单一规范中。与目前将LLM调用编排系统与用于计算的符号工具分开的框架不同，SPL整合了两者。它提供了用于概率性（GENERATE/EVALUATE）和确定性（SOLVE/ASSERT）操作的特定命令，允许在调用时灵活选择模型和验证器。在20个问题上对10个模型进行的实验表明，SPL的求解器在机器验证的正确…
-
新论文发现：AI代理给开源治理带来压力
一篇新研究论文探讨了将AI代理集成到开源软件开发中的挑战。该论文强调，为人类贡献者设计的现有开源治理模式，因能够提交代码但监督有限的自主AI代理而承受压力。论文分析了六个主要开源组织的现有政策，并将其与新兴的AI治理框架进行比对，以识别差距并提出一个规范AI贡献者的分层框架。
-
SimpliPy引擎将神经符号回归加速100倍
研究人员开发了SimpliPy，一个新颖的基于规则的简化引擎，显著加快了符号回归过程。该引擎在现有计算机代数系统（如SymPy）上实现了100倍的速度提升，同时保持了可比的质量。SimpliPy引擎能够实现更高效的摊销神经符号回归训练和推理，从而能够扩展到更大的数据集并更好地利用计算资源。利用SimpliPy的新Flash-ANSR框架在基准测试中显示出比以前的摊销方法和直接优化方法更高的准确性和简洁性。
-
AI模型通过验证步骤而非仅答案来改进推理
研究人员开发了新的方法来改进AI模型的自我改进训练，解决了推理错误累积的问题。一种方法是经过验证的自我改进（VSI），它通过使用计算机代数库等工具验证中间推理步骤的正确性来过滤训练数据，而不仅仅是最终答案。另一种方法是自训练验证（STV），它通过将其自身输出与参考解决方案进行比较来训练一个验证器，使其模仿一个信息更丰富的自身版本。这两种技术都旨在创建更清晰的训练信号，从而在AI模型中实现持续的准确性提升和更强大的推理能力。
-
开发者发现 SymPy 的 parse_expr 函数存在 RCE 漏洞
一位开发者在 `sympy.parse_expr` 函数中发现了一个关键的安全漏洞，如果未得到妥善保护，可能允许任意代码执行。该函数默认使用 Python 的 `eval()`，继承了 `os.system` 等内置函数，这些函数可以通过伪装成数学公式的恶意输入来触发。为了缓解此问题，开发者实现了一个抽象语法树 (AST) 验证层，在 `sympy` 处理输入之前预先过滤掉潜在的危险构造，确保只允许安全的数学运算。