搜索 AI 资讯

dbt v2 登陆：解析速度更快、采用统一的适配器层，并提供无需庞大 manifest.json 文件的文档体验

dbt v2 将适配器打包，加快解析速度，并用更小、可查询的文件取代 manifest.json，供用户和 AI 使用。

Ramp 的内部 AI 智能体如何突破百万次会话

Ramp 通过将内部 AI 视作分析工程，共享了其构建的代理、沙盒和仪表板。

从大型机到人工智能驱动的成熟：Verisk 的数据现代化之旅

Verisk 将数十年的保险数据从大型机迁移至 dbt，实现了 AI 就绪。

从提示到PR：Careem的AI如何在人类看到之前编写并验证dbt模型

Careem 的 AI 智能体在有人审查 PR 之前，就已端到端地编写并验证 dbt 模型。

Kilo 的一位数据科学家如何构建了其 AI 智能体所缺失的业务上下文层

一位数据科学家如何为组织知识构建了一个AI上下文层，而仅靠一个dbt项目是无法承载的。

一群失控的 AI 智能体能教会我们如何产生更好的创意

本恩·斯坦西尔借助 Hugging Face 的这一技巧，阐释了为何最有用的创意往往源自最奇特的关联。

研究揭示奖励模型评分存在显著提示依赖性：成对评估无法检测该偏差

一篇2026年10月24日发布于arXiv的AI研究论文指出，当前主流的成对（pairwise）评估方法会自动抵消同一提示下所有响应共有的评分成分，导致奖励模型中关键的‘提示级偏差’未被检验；作者通过人类评分作为参照，对18个已发布评分器开展审计，发现在HelpSteer2数据集上，6个模型高达34%–64%的评分方差源于提示本身，而人类评分几乎无此现象。

推荐理由：该研究指出了大语言模型对齐流程中一个被长期忽视的基础性缺陷——奖励模型评分高度绑定于提示文本而非响应质量本身；其方法论（人类参照审计、提示替换、方差分解）具可复现性，结论基于实证分析且覆盖多个主流开源评分器，对偏好优化、RLHF和安全评估实践具有直接警示意义。