标签
本文提出了BREAD，一种可扩展的基线参考解释方法，用于在基于AI的统计过程监控中诊断异常，并提供理论保证，证明在均值偏移异常下其忠实度高于LIME。
PILA将LLM原生广告重新定义为条件响应重写问题，通过一个轻量级、模型无关的侧车模块，将广告插入与上游生成解耦，从而在保持响应质量的同时实现可控的广告曝光。
RIS-Kernel 提出了一种模型无关的稀疏注意力架构（RIS），将长上下文 LLM 推理中的自注意力复杂度从 O(N^2) 降低到 O(N log N)，使得无需 GPU 加速即可在普通 CPU 硬件上运行。
LangChain 分享了 FactoryAI 首席技术官 Eno Reyes 的分析：相同的代码审查任务，根据所使用的评估框架，价格差异巨大。他认为，一个优秀的模型无关评估框架可以改进任何模型。
Y Combinator 采访了 Dust 创始人 Stanislas Polu，探讨了为工作场所构建 AI 队友、保持模型无关的策略，以及与快速发展的前沿AI实验室同时构建所面临的挑战。
本文介绍了FALCON-Discover，这是一个事后（post-hoc）框架，用于发现模型预测高置信度但错误的区域，将校准重点从总体指标转向样本级的危险故障。
NVIDIA 面向对象代理 (NOOA) 提出了一种 Python 框架，其中代理是 Python 对象，方法作为动作，文档字符串作为提示，从而利用熟悉的编程范式实现可靠、可测试的 AI 代理。
微软正在Copilot中测试Moonshot的Kimi模型，这凸显了一个转变：用户更关心实用性而非底层AI模型。
介绍了一个训练框架，以模型无关和任务环境无关的方式提升任务型LLM的能力，并在Terminal Bench和SWE-Bench上展示了结果。
提出渐进式树形草稿（PTD），一种免训练、模型无关的推测解码方法，利用渐进式树结构和逐步剪枝实现多个草稿路径的并行生成，在各种基准测试上实现高达2倍的加速。
Istar Code v5.0.0 是一个开源的确定性编码智能体内核，通过显式规则、工作流阶段和验证关卡，确保从1B到500B参数的模型行为一致。
Cloudflare 介绍如何构建一个模型无关的漏洞扫描框架，将 AI 模型视为可互换的组件，从而实现跨仓库追踪和大规模减少误报。
提出外生丢弃（exogenous dropout）——一种简单的训练干预方法，在训练期间随机将整个外生通道归零——以提高时间序列预测模型对协变量被破坏的鲁棒性。该方法在多种破坏类型和领域上匹配或超越更复杂的架构。
提出MemDefrag，一个无需训练的框架，利用中间层追踪信号对大型语言模型中的潜在记忆进行碎片整理，在知识保留方面显著优于MemoryLLM和M+等现有方法。
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%。