标签
Cognition推出Devin Fusion，这是一款自适应模型路由器，可在保持真正前沿智能用于代理编程任务的同时，将成本降低35%。
本文提出DIF，一种模型无关的去噪方法，用于冷启动推荐中的隐式反馈去噪。该方法利用内容相似的热门物品生成的伪标签以及不确定性估计，在拥有十亿用户的视频应用中取得了显著改进。
签名过滤是一种检测时模块，通过学习并移除那些导致水印测试不可靠的“签名”令牌，来提高LLM中统计水印检测的性能，在保持低误报率的同时大幅提升了检测率。
介绍P²CE，一种模型无关的算法，用于生成合理的帕累托最优反事实解释，该算法使用孤立森林异常检测器和SHAP值平衡了可行性、合理性和计算效率。
前Datadog工程师推出Niteshift，这是一个AI编程云平台，可在不同模型之间路由以降低锁定风险，并获得由Greylock领投的700万美元种子轮融资。
ExpGraph是一个模型无关的框架，通过自进化的技能与失败经验图，使LLM智能体能够复用过往经验，在不重新训练执行器的情况下将任务性能提升12%-21%。
本文提出CR4T，一种模型无关的安全防护框架，将不安全或拒绝式的大语言模型输出重写为适合青少年的、具有指导性的回应，为传统以拒绝为中心的安全护栏提供了更以人为本的替代方案。
INSIGHTS 是一种模型无关的方法，通过生成多样化、信息丰富的样本摘要来提供时间序列模型的全局解释，这些摘要捕捉特定领域的行为，在用户研究中优于局部归因方法。
本文介绍了 COSMOS，这是一个模型无关的个性化联邦学习框架，采用了聚类服务器模型和仅通过伪标签进行通信的机制。论文提供了理论分析，展示了指数级的个性化风险收缩，并证明了该方法在异构环境下的性能优于现有的基线方法。