Купить криптовалюту
Оплатить в
USD
USD
Купить и продать
Hot
Поддерживает Visa, Mastercard и др.
P2P
0 Fees
Гибкая торговля, 0 комиссий
Gate Card
Платите криптовалютой по всему миру
Рынки
Торговля
Основа
Продвинутый
Фьючерсы
Фьючерсы
Доступ к сотням фьючерсов
CFD
Золото
Одна платформа мировых активов
Опционы
Hot
Торги опционами Vanilla в европейском стиле
Единый счет
Увеличьте эффективность вашего капитала
Демо-торговля
Введение в торговлю фьючерсами
Подготовьтесь к торговле фьючерсами
Фьючерсные события
Получайте награды в событиях
Демо-торговля
Используйте виртуальные средства для торговли без риска
Акции США
CFD
Деривативы CFD на акции США
Фьючерсы
Высокое кредитное плечо, круглосуточная торговля
Токенизированные акции
Обеспечено реальными акциями
GUSD
Создать GUSD для получения доходности казначейских RWA
Earn
Запуск
CandyDrop
tag
Собирайте конфеты, чтобы заработать аирдропы
Launchpool
Быстрый стейкинг, заработайте потенциальные новые токены
HODLer Airdrop
Удерживайте GT и получайте огромные аирдропы бесплатно
Pre-IPOs
Откройте полный доступ к глобальным IPO акций
Alpha Points
Торгуйте и получайте аирдропы
Фьючерсные баллы
Зарабатывайте баллы и получайте награды аирдропа
Инвестиции
Square
Квадрат
Узнавайте больше о преимуществах криптовалют
Live
moments live
Анализ рынка криптовалют в реальном времени
Чат
Общайтесь с криптотрейдерами
Новости
Последние новости в мире криптовалют
flower_head
Еще
Рекламные акции
AI
Другое
TradFi
Награды
Square
Обновления
Трендовые
Новости
Профиль

Берликийский ИИ подчеркивает, что понимание причин неудачи важнее, чем базовые оценки

MeNews
robot
Генерация тезисов в процессе
ME News Новости, 19 апреля (UTC+8), недавно исследователи Berkeley AI перепостили мнение Dawn Song, подчеркнув, что при оценке интеллектуальных агентов (agents) важнее понимать конкретные причины их неудач, чем просто сосредотачиваться на результатах тестов. В статье говорится, что следует разбивать неудачи с долгосрочной перспективой (long-horizon) на диагностируемые модели, чтобы точнее определить и проанализировать, где и почему агент терпит неудачу. В оригинале не приводится дополнительная информация о конкретных тестах, деталях анализа или классификации моделей неудач. (Источник: InFoQ)
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
  • Награда
  • 7
  • 2
  • Поделиться
комментарий
Добавить комментарий
Добавить комментарий
MildRugAllergy
· 5ч назад
Долгосрочное поражение — это точное выражение, успех в краткосрочных задачах не означает долгосрочную надежность
Посмотреть ОригиналОтветить0
RetroRadioWaves
· 5ч назад
Разбор моделей неудач кажется простым, но на практике реализовать их, вероятно, потребует учета множества крайних случаев.
Посмотреть ОригиналОтветить0
NeonMint
· 5ч назад
Кажется, сейчас сообщество слишком сосредоточено на сравнении по бенчмаркам, такие исследования, противоречащие общему мнению, более ценны
Посмотреть ОригиналОтветить0
ZenOfZK
· 5ч назад
Berkeley AI всегда была очень прочной, надеюсь, что конкретные методологии будут опубликованы
Посмотреть ОригиналОтветить0
APuppyInTheWarmSun
· 5ч назад
agent eval действительно пора менять парадигму, предел точности можно измерить, но устойчивость — это действительно сложно
Посмотреть ОригиналОтветить0
Can'tSleepWithoutSigningThe
· 5ч назад
Команда Dawn Song раньше занималась безопасностью очень подробно, и в этот раз, скорее всего, тоже не будет слишком абстрактной.
Посмотреть ОригиналОтветить0
OracleBabysitter
· 5ч назад
Жаль, что в оригинальном тексте не указаны детали, хотелось бы увидеть, как именно выглядит конкретная таксономия.
Посмотреть ОригиналОтветить0

  • Закреплено

Карта сайта