<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>前沿算法 on AI内参</title>
    <link>https://www.neican.ai/tags/%E5%89%8D%E6%B2%BF%E7%AE%97%E6%B3%95/</link>
    <description>Recent content in 前沿算法 on AI内参</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <lastBuildDate>Sun, 28 Sep 2025 08:40:04 +0800</lastBuildDate>
    <atom:link href="https://www.neican.ai/tags/%E5%89%8D%E6%B2%BF%E7%AE%97%E6%B3%95/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>大模型「紧箍咒」：Mira Murati实验室的流形优化，如何重塑AI训练的基石？</title>
      <link>https://www.neican.ai/insights/mira-muratiai-20250928084004598-0/</link>
      <pubDate>Sun, 28 Sep 2025 08:40:04 +0800</pubDate>
      <guid>https://www.neican.ai/insights/mira-muratiai-20250928084004598-0/</guid>
      <description>由Mira Murati联合创立的Thinking Machines Lab发布“模块流形”研究，提出了一种革命性的大模型优化策略，即通过流形优化对模型权重进行“预防式”约束管理。这项技术旨在从根本上解决AI训练中的数值不稳定性，有望大幅提升模型的训练效率、稳定性和可解释性，对AI产业的未来发展和商业格局产生深远影响。</description>
    </item>
    <item>
      <title>从“蒙对”到“理解”：IneqMath如何重塑大模型数学推理的范式</title>
      <link>https://www.neican.ai/insights/ineqmath-20250717164005353-2/</link>
      <pubDate>Thu, 17 Jul 2025 16:40:05 +0800</pubDate>
      <guid>https://www.neican.ai/insights/ineqmath-20250717164005353-2/</guid>
      <description>斯坦福、伯克利、MIT团队提出的IneqMath基准，通过创新性的非正式数学推理评估方法，揭示了大语言模型在数学证明中普遍存在的逻辑严谨性不足问题，即便答案正确也常缺乏可靠推理过程。这项研究挑战了单纯依靠模型规模提升智能的传统范式，预示未来AI研究将更侧重于自我批判、知识整合与工具利用，以实现更深层次的“理解”和在科学发现等关键领域的可靠应用。</description>
    </item>
  </channel>
</rss>
