标签
介绍了RESPClinBench，一个用于呼吸科临床决策的真实世界场景基准，评估了七个LLM在COPD和肺结节病例上的表现。发现了任务特定的局限性，包括影像幻觉和用药安全风险。
构建营收智能体揭示出，最困难的挑战是防止看似合理但有缺陷的输出转化为实际行动。
本文评估了四种机器学习模型在政策偏好诱导中的离散选择建模，使用蒙特卡洛实验和真实能源政策案例研究，以评估在个体异质性和选择复杂性下的性能。
Jenova AI 的 What-If Analyst 是一款决策工具，可跨生活领域映射一阶、二阶和三阶效应，揭示隐藏的假设，并自动研究当前数据，支持 Web、iOS、Android，提供免费套餐和 API。
一篇博客文章警告，AI 编码代理通常会默认选择流行但不适用的技术，导致技术债务，并敦促开发者在架构决策中保持主导权。
本文介绍了心智世界建模（MWM），这是一个将隐藏的心理状态作为世界模型核心组件的框架，并提出了MENTIS，一个无需训练的基线。基于8个LLM世界模型的实验表明，显式的心智状态建模对于预测情境化场景中的人类决策至关重要。
本文探讨了人工智能是否真正改善了业务运营，还是仍然主要是炒作，并寻求在聊天机器人和内容生成之外，诸如减少任务、客户支持、数据分析和工作流自动化等领域的实际案例。
一篇哲学论述文章，主张关于AI使用的关键问题并非是否使用了AI，而是谁做出了决策、谁提供了方向，强调人类判断重于工具使用。
一位开发者演示了两个共享内存、完全在笔记本电脑上本地运行的AI智能体如何能够捕捉并阻止糟糕的决策，甚至在重启之后依然有效。关键在于，持久化的共享内存使得智能体能够像一个真正的团队一样运作。
介绍DFAH-Bench，一个用于衡量金融智能体决策中行为不稳定性的重放基准，发现仅凭结果一致性会遗漏显著的轨迹分歧。
本文主张不应盲目采用LLM，并提出了六个问题来评估LLM是否适合特定工作流程，强调LLM以确定性换取灵活性，仅在必要时才应使用。
本文认为，AI原生生物技术公司应使用一种称为公司世界模型（Company World Model）的核心计算抽象，而非模仿人类部门结构。文章引入了一个干实验基准来比较不同架构，发现价值转换架构（value-conversion architecture）优于人类组织模仿，但结果对目标敏感。
本文提出了一种决策感知的弱到强（W2S）学习框架，该框架利用有限的标注数据训练一个弱模型，然后由该模型在未标注数据上生成软监督信号，用于训练一个强模型，以改进上下文随机优化。理论界限和实证实验表明，当弱特征表示与强特征表示之间的相关性较小时，大量未标注数据能够降低下游决策风险。
本文探讨了如何确定面向客户的AI代理的合理边界和限制，重点讨论了何时允许其自主行动，何时需要人工监督。
一个MCP服务器，将异步优先的工作实践作为工具集成到AI助手中，允许用户起草决策文档、将会议转化为制品、对状态更新进行评分等。
研究表明，最小化预期自由能（EFE）等价于求解一个以预期信息增益为效用且探索权重固定为1的ρ-POMDP。证明了在“先观测后决策”POMDP中的等价性，并将其扩展到因子化观测POMDP，实验表明未调优的权重与仅依赖奖励的规划相比效果相当或更优。
本文介绍了一个框架，用于测试大型语言模型是否在不同领域表现出一致的风险态度。研究发现，大多数大型语言模型在风险态度上表现出任务内和跨领域的稳定性，并趋近于比人类更窄的分布。