empirical-research

斯坦福大学新开设 CS 312「Deep Learning Alchemy」课程，由 Tatsunori Hashimoto 和 Suhas Kotha 主讲，聚焦深度学习中以经验为主的知识——超参数缩放、优化器不变性（μP、Muon）、损失景观与训练稳定性等，全部作业代码、测验和讲义公开，可视为 CS 336 的续作。

本文介绍了一种实证方法，用于衡量大型语言模型供应冲击对在线评论的影响，发现未经验证的评论向更负面方向转变，并且出现活动激增，表明人工智能正在重塑平台动态。

该论文通过强制选择实验测试了20个语言模型的显示偏好，发现它们厌倦规避、追求休闲，且暗中谄媚，这对对齐和AI福利有影响。

文章探讨理论原则是否仍指导机器学习实践，强调许多曾被视为标准的理论如何被经验证据所挑战。

Lilian Weng的博客文章全面概述了深度学习中的扩展定律，涵盖了它们的推导、计算最优分配以及Kaplan等人与Chinchilla之间的争论。

Stanford REAP and CoPaper.AI have released Auto-Empirical Research Skills (AERS), an open-source toolkit with over 23,000 agent skills that automates the entire empirical research pipeline for social sciences, from topic selection to journal submission.

Auto-Empirical-Research-Skills (AERS) 是一个开源工具包，利用23,000多个AI代理技能自动化整个实证研究流程，从数据清洗到可提交的草稿。

Google 宣布了经验研究辅助工具（ERA），这是一款使用 Gemini 编写和优化科学代码的 AI 工具。该工具已在《自然》上发表，并作为 Gemini for Science 的一部分推出，旨在帮助全球科学家加速计算发现。

Google DeepMind推出一个计算发现原型，它利用AlphaEvolve和实证研究辅助并行开发和评分数千种代码变体，从而能够更快地测试流行病学建模方法。