CERC’s graded compensation for delayed RE connectivity to aid long gestation projects
中央电力监管委员会现已将以自动撤销电网连接的方式改为基于补偿的机制，针对延迟的可再生能源项目。
Agrograde’s automated onion grading system installed at Pimpalgaon market
该机器每小时可加工多达 10 吨洋葱，并将体力劳动需求减少 80%
Beijing Signals Tiered Governance of Open-Weight Models
摘要：7月16日，中华人民共和国（PRC）人工智能（AI）初创公司月之暗面发布了其最新型号Kimi K3。在盲开发者测试中，它击败了前端编码排行榜上的所有竞争对手（The Decoder，7 月 16 日；Tom’s Hardware，7 月 17 日）。人工智能前高级政策顾问 Dean Ball […]北京发出开放权重模型分层治理的信号后，首先出现在 Jamestown 上。
The Right Reading Level—or the Right Reading Challenge?
两位读写专家就分级文本在阅读教学中的作用展开辩论。
5 Failure Modes Of AI-Powered Language Assessment (And How To Catch Them Early)
人工智能评分承诺大规模即时反馈，但失败却是安静而自信的。一个构建人工智能分级法语考试练习的团队分享了他们在生产中遇到的五种故障模式，以及现在捕获每种故障模式的护栏。这篇文章首先发表在 eLearning Industry 上。
Teaching LLMs to Update Beliefs for Efficient Long-Horizon Interaction
ABBEL 与传统递归摘要相比的概述。信念取代了完整的交互历史作为代理的工作环境，信念分级通过监督每个信念状态的内容来提高性能。随着任务范围的增长，LLM 环境无法永远扩展。自总结可以实现简洁、可解释的上下文，但会带来显着的性能成本，特别是对于高质量数据稀缺的人工辅助领域，例如协作代码生成。我们用 ABBEL 来解决这个问题：一个框架，以自然语言信念状态的形式隔离和监督摘要的信息内容。动机：递归摘要的成本对于语言模型来说，要有效地协助日益复杂的任务，例如软件开发，它们必须能够与我们进行数百甚至数千个步骤的交互。对于如此长的任务，将整个交互的历史记录保存在上下文中是不切实际的。迄今为止使用的启发
