微软研究院等发布开源插件 TokenEconomizer,降低 AI 编码智能体成本 18.4–30.9%
UC Berkeley、Microsoft Research 和 Microsoft Security 发布开源插件 TokenEconomizer,它从智能体在仓库中的历史会话学习,在不修改智能体和底层模型的前提下减少后续会话的 token 浪费。
推荐理由:读者可以看到一个不改动智能体本身、只靠历史会话学习的插件,在 277 个真实修 bug 任务上如何降低 token 成本。
UC Berkeley、Microsoft Research 和 Microsoft Security 发布开源插件 TokenEconomizer,它从智能体在仓库中的历史会话学习,在不修改智能体和底层模型的前提下减少后续会话的 token 浪费。
推荐理由:读者可以看到一个不改动智能体本身、只靠历史会话学习的插件,在 277 个真实修 bug 任务上如何降低 token 成本。
Google Research 提出 Agile Deliberation 框架,把主观 AI 分类器的定义过程变成人与 AI 的迭代对话,先解决人类自身的概念模糊,再构建更稳健的分类系统。
Berkeley AI Research 介绍将 K-Search 演化内核搜索框架扩展到 MLX 的工作,通过结构化的 CUDA 到 MLX 翻译层,让已有 CUDA 内核经验迁移到 Apple Silicon。