Muir 线性注意力:1000 万 Token 证明了什么,又没有证明什么
拆开 Muir 的长流稳定、精确召回、多跳读出与 TPU 吞吐口径,避免把四组实验合并成通用 1000 万 Token 上下文结论。
EnglishAI 工程、技术决策与真实应用。KK 的博客。
22 篇文章
拆开 Muir 的长流稳定、精确召回、多跳读出与 TPU 吞吐口径,避免把四组实验合并成通用 1000 万 Token 上下文结论。
English可靠的 Agent 记忆需要写入准入、来源绑定、纠错传播和下游评测。只提高 Recall,可能让错误被更稳定地复用。
EnglishWhatsApp 隐藏指令事件说明,官方来源的事实可信度与指令权限必须分开,RAG 系统需要审计模型实际看到的内容。
English薄编排器把路由、状态与门禁留在确定性控制平面,把领域推理交给专门 Agent。本文给出职责边界、状态机、恢复矩阵和迁移清单。
English用任务结果、决策等价、约束保留和单个成功任务成本,验收 Agent 上下文压缩,而不是只看 Token 节省率。
English已验证来源标签可能推翻模型原本正确的答案。RAG 系统需要 Claim 级证据与冲突测试,来源声望本身不等于正确。
EnglishClaude Code 普通 CLI 会话默认保留 30 天,Desktop 与 Cowork 存在版本化例外。可靠方案需要把留存、归档、索引与恢复演练分成四层。
EnglishAstra for Law 提升了法律检索,但法律 AI 仍需事项级证据合同连接来源、复核、批准、交付与纠错。
English可信的 Agent 机构记忆需要把每条可行动主张与来源、有效期、依赖关系和失效条件绑定。
EnglishEngram 把条件记忆与条件计算分开。本文核验它移出 GPU 的内容、论文证据边界和部署评测方法。
EnglishDeepSeek V4.1 用 SWA 有界重放压缩持久 KV 缓存。本文拆解缓存命中时变化的状态、已有证据与上线前测试矩阵。
EnglishAstra 在不同 Harness 下得到 62.7% 和 99.9%。本文拆解分数语义、状态管理差异,以及速度和 token 数据的适用边界。
English组织第二大脑需要把专家反馈转化为带来源、版本、验证结果和退役规则的知识变更,才能在扩散经验的同时控制错误。
English8135 次 Agent 运行显示,Skill 的主要价值是稳定动作和验证闭环。本文拆解证据边界,并给出可执行的 SKILL.md 设计检查单。
English慕尼黑法院认定六首作品可从 Suno 模型中稳定复现。判决关键不在于权重必然是复制件,而在于记忆化证据、可识别输出与属地规则。
English一项研究重建了 315320 个客户端推理块。长期教训是加密还需要身份、上下文、有效期、撤销与防重放机制。
EnglishHANDBOOK.md 说明规则进入 Context 仍不足以形成控制。本文给出规则检索、执行前判定、提交门控与事后核验四层方案。
EnglishWord AI 蠕虫 PoC 显示隐藏指令可进入 Copilot 生成文件。本文给出上下文隔离、来源追踪、生成后扫描和发布门禁方案。
EnglishMCP Elicitation 把工具执行中的人工决策变成可恢复的协议状态。本文讲清 form、URL、安全边界、状态持久化与重试设计。
EnglishJ-space 负责单次推理中的概念广播,可靠 Agent 仍需上下文、检查点、长期记忆和外部遥测共同维持状态。
English提示词工程是错误的抽象层级。AI 原生工作流设计分为三层:模型交互层、工作流编排层和组织整合层。本文详解各层职责、分工与依赖关系,并对比 Naresh 的 6 层模型,帮助组织找到真正的投入方向。
EnglishJensen Huang 说工程师应该把年薪一半花在 token 上。但问题不是花多少,而是每花一块钱 token 产生多少持久价值。有体系的人烧 token 是投资,没体系的人烧 token 是消费。
English