resource-allocation

本文介绍了Quota Marketplace，这是一种基于市场的动态定价机制，已在Google部署，用于跨业务部门高效分配ML训练加速器，在异构工作负载价值下实现了帕累托效率和最大最小公平。

关于在生产环境中部署多个AI智能体时管理Token预算策略的讨论，涵盖成本与效率考虑。

杰夫·贝索斯认为，应优先将水和能源资源分配给AI数据中心而非人类消费，以实现超级智能的发展，这引发了关于AI环境影响的争议。

本文介绍CEO-Bench，一个用于评估LLM在CEO级战略资源重新配置上的多智能体基准，揭示了系统性故障模式以及结构性的整合-大胆权衡。

STARIXNet是一种轻量级神经网络，通过捕获系统指标之间的多变量时空关系来改进云资源分配，优先考虑服务稳定性而非预测准确性。在沃尔玛部署后，它在保持服务可靠性的同时实现了10%-50%的成本节约。

本文分析了LLM赋能代理工作流中延迟、可靠性和成本之间的权衡，引入了性能模型，并推导出了如注水令牌分配等最优资源分配策略。

本文介绍了可计算公平分配（CFD）框架，该框架利用Boltzmann-Softmax控制在AI资源分配中平衡效率与公平性，并通过AHC++实现实时自适应。

本文介绍了CAST，一种多项式时间近似算法，用于在传播网络中战略性地分配HIV治疗资源给病毒未抑制个体，以最小化新感染，在真实网络上优于现有基线。

本文提出了一种面向循环智能制造的边缘AI驱动分散式任务分配框架，该框架利用学习排序方法来匹配赢家选择的排序性质。仿真结果表明，在高负载和紧截止期限场景下，延迟、截止时间满足率和能源效率均得到改善。

本文探讨了企业中 token 预算这一新兴趋势，强调随着 AI 代理消耗大量计算资源，需要新的管理工具。文章指出，这将创造出一个初创企业机会，即提供软件解决方案以对代理式支出进行可视化和控制。