General Compute完成1亿美元A轮融资，力证“新云”并非灾难性叙事
通用计算正押注于来自英伟达生态系统之外的推理芯片。
AI NEWS JOURNAL
搜索 AI 资讯
检索标题、摘要与正文，把分散的信息连起来。
基于合并的词汇扩展在预分词器阶段停滞不前：一种用于尼泊尔语的英语保留修复方法，并已在持续预训练中得到验证
arXiv：2610.33016v1 发布类型：新 摘要：Llama-3、Qwen3 以及许多其他开源大型语言模型，均采用一种正则表达式对文本进行预分词，该表达式的词类仅允许 Unicode 字母。由于天城文的元音符号属于组合标记，此正则表达式会在每一个元音符号处切分尼泊尔语单词，因此使用该正则的模型在处理尼泊尔语时所消耗的 token 数量，是处理同等长度英语文本的 2.6 至 5.8 倍。基于合并的词汇扩展方法无法将被切分的片段重新拼接：对于 Llama-3 和 Qwen3 而言，无论新增多少次合并操作，其额外开销始终难以降至约 2.2 的阈值以下；而即便已发布的十项扩展方案，其性能也仅比这一预分词基准低不到 4%。我们针对已部署的正则表达式提出了一项小幅修改，经证明可在不包含组合标记或天城文字符的情况下，确保每个 token ID 的完整性。通过新增 32,000 次合并，该方法使尼泊尔语与英语的 token 开销比降至 1.01 倍，且
Phronix：面向智能体的能力中心型学习范式
arXiv:2610.31789v1 发布类型：新 摘要：科学计算日益依赖基于大型语言模型的智能体驱动工具，用于执行诸如插桩、分析和工作流移植等性能优化任务。然而，智能体的效能在很大程度上取决于其周边的支撑框架，而该框架通常依赖于人工编写的技能与精心构建的记忆库。这限制了自主学习能力，迫使智能体反复重新探索解决方案，而非保留并复用先前执行过程中积累的知识。我们提出了 Phronix，一种以能力为中心的学习范式，使智能体驱动的支撑框架能够从自身的执行过程中获取、验证并完善可重用的能力。Phronix 通过预测—验证—修正的循环运行：MCP 工具及其相关技能提出解决方案，工具 ex
学习明天该询问什么：面向长期个性化网络代理的主动偏好获取
arXiv:2610.31107v1 发布类型：新 摘要：网络代理在预订旅行、购物、日程安排等重复性在线任务中，越来越多地为同一用户提供服务，因此其长期实用性取决于对用户偏好的了解程度。被动记忆与个性化方法无法获取用户从未透露的偏好，而仅以当前任务收益为依据的澄清方法，则忽视了在后续任务中复用答案所带来的价值。我们研究主动偏好获取（APA）：哪些缺失的偏好值得付出询问的成本？我们将某项缺失偏好 的未来个性化价值（PPV）定义为其在未来任务中预期累积效用的提升，减去询问所需的努力及披露风险成本，并据此选择提问内容。