告别传统指令微调，大模型特定任务性能提升有新方法了。 一种新型开源增强知识框架，可以从公开数据中自动提取相关知识，针对性提升任务性能。 与基线和SOTA方法对比，本文方法在各项任务上均取得了更好的性能。
Sutton 等研究人员近期在《Nature》上发表的研究《Loss of Plasticity in Deep Continual Learning》揭示了一个重要发现：在持续学习环境中，标准深度学习方法的表现竟不及浅层网络。研究指出，这一现象的主要原因是 "可塑性损失"（Plasticity Loss）：深度神经网络在面对非平稳的训练目标持续更新时，会逐渐丧失从新数据中学习的能力。
近日，机器学习研究员、畅销书《Python 机器学习》作者 Sebastian Raschka 又分享了一篇长文，主题为《从头开始构建一个 GPT 风格的 LLM 分类器》。
外科医生Dr. Lee在一次美敦力的学术讨论上说到，“外科医生和精英运动员非常相似，都在团队环境中工作，不断的重复训练已达到顶尖的成绩。但运动员往往花费更多的时间在影像室，回顾和研究过去的表现。而医生目前还没有得到足够、及时的信息反馈，以学习和提升手术技能。”
在这种背景下，研究团队提出了一个全新的框架：SubgoalXL，结合了子目标（subgoal）证明策略与专家学习（expert learning）方法，在 Isabelle 中实现了形式化定理证明的性能突破。
香港中文大学等机构的研究团队通过深度强化学习（DQN）开发了一种3D打印路径规划器，有效提升了打印效率和精度，为智能制造开辟了新途径。
Google DeepMind的SCoRe方法通过在线多轮强化学习，显著提升了大型语言模型在没有外部输入的情况下的自我修正能力。该方法在MATH和HumanEval基准测试中，分别将自我修正性能提高了15.6%和9.1%。
仅需600多条数据，就能训练自己的长输出模型了？！
“通用人工智能（AGI）的设计和开发，需要进行根本性改变。” 人工智能（AI）模型的参数规模越大，生成的答案就越准确？就更加可信？ 还真不一定！
Scale AI早早踩对了风口，如今终于一飞冲天了，公司的2024年年化收入预计达到近10亿美元。
