LTM Benchmark: Improvements and new reports
在 GoodAI，我们致力于开发能够持续和终身学习的代理。作为我们努力的一部分，我们之前已经开源了 GoodAI LTM 基准，这是一套旨在评估任何对话代理的长期记忆 (LTM) 能力的测试。在这个基准中，所有任务都作为代理和我们的虚拟测试人员之间一次非常长的对话的一部分进行。基准交织了来自不同任务的信息和探索性问题，尽管特别注意将它们编织成自然对话。LTM = 长期记忆作为我们对具有 LTM 的代理进行研究的直接结果，GoodAI LTM 基准在不断发展。对我们来说，它是评估我们的代理和验证我们的假设的宝贵工具。此外，它帮助我们描述不同代理失败的方式，因此它为我们提供了目标。在 GoodAI
Introducing GoodAI LTM Benchmark
作为我们在持续学习领域研究工作的一部分，我们正在开源一个基准，用于测试代理在非常长的对话中执行涉及高级使用记忆的任务的能力。除其他外，我们评估代理在需要动态维护记忆或长期整合信息的任务上的表现。我们正在开源：现行的 GoodAI LTM 基准。我们的 LTM 代理。我们的实验数据和结果。我们表明，信息的可用性是解决这些任务的必要条件，但不是充分条件。在我们的初始基准中，具有 8k 上下文的对话 LTM 代理与具有 128k 个令牌的长上下文 GPT-4-1106 相当。在内存要求高出 10 倍的更大基准测试中，我们的具有 8k 上下文的对话式 LTM 代理的性能比上下文大小为 128,000
GoodAI LTM Benchmark v3 Released
GoodAI LTM 基准测试的主要目的一直是作为我们在开发能够持续和终身学习的代理方面取得进展的客观衡量标准。但是，我们也希望它对开发此类代理的任何人都有用。为了实现这一点，我们已将此版本定位为更易于理解并产生更标准化的结果，我们希望这些结果更容易进行比较和分析。从基准测试的第一个版本开始，我们就将特定的测试实例分组到数据集或任务类型中。例如，有一个名为“购物清单”的数据集，我们可以从中抽取任意数量的不同测试实例，以评估代理记住一系列物品并保留用户购物清单的更新版本的能力。在早期版本中，每个测试可能会产生任意数量的分数点，并且这些分数点未标准化。这可能导致令人困惑的情况，即通过高度复杂的测试
Schedule for Week of September 7, 2025
本周的关键经济报告是八月份的消费者价格指数（CPI）。BLS将在星期二发布初步就业基准修订。 Benchmark (National) for March 2025.----- Wednesday, September 10th -----7:00 AM ET: The Mortgage Bankers Association (MBA) will release the results for the mortgage purchase applications index.8:30 AM: The Producer Price Index for August from the BLS.共
'American mediocrity': US economy no longer 'envy of the world' — thanks to Trump
市场和经济学作家乔纳森·莱文（Jonathan Levin）说，特朗普的经济不在火焰中，但是当它应该做得更好时，它正在努力。 “一个懒惰的解释是，批评家对特朗普议程完全是错误的，而他的非正统的管理风格已经以某种方式得到了证明。但是，仅仅避免了灾难。世界，’”莱文说。 “Consider it a downshift from ‘American exceptionalism’ to ‘American mediocrity.’”READ MORE: Vice president sparks uproar among legal experts with a single wordLevin
Back to School, Forward with Data
交换所的工具套件（包括StudentTracker，High School Benchmarks Reports和Interamomaverify）提供了强大的，数据驱动的解决方案，可以帮助中学领导者支持学生过渡到大学和职业。
Even *More* Depressing Pictures from the Labor Market
来自Cavallo等。 （2025年8月）：资料来源：Cavallo等。 （2025年8月2日）。一些与关税的影响一致的数据：图1：PCE-陶瓷缩放器（蓝色），PCE-Services Deflator（TAN），在日志2025M01中= 0来源：BEA。You think the official BLS NFP series is worrying, consider the alternatives: Figure 1: BLS establishment nonfarm payroll (NFP) July series (bold blue), Jun series (light b
Tariff Impact Watch – Retail Prices thru 7/26
来自Cavallo等。 （2025年8月）：资料来源：Cavallo等。 （2025年8月2日）。一些与关税的影响一致的数据：图1：PCE-陶瓷缩放器（蓝色），PCE-Services Deflator（TAN），在日志2025M01中= 0来源：BEA。 You think the official BLS NFP series is worrying, consider the alternatives: Figure 1: BLS establishment nonfarm payroll (NFP) July series (bold blue), Jun series (ligh
Tom Hayes and Carlo Palombo have convictions for rigging benchmark interest rates quashed by Supreme CourtFull story: City trader Tom Hayes’s conviction for Libor rigging is overturnedThe US-Japan trade deal has helped to ease investor fears that tariffs are about to snap back higher on 1 August, re
What Does Python’s __slots__ Actually Do?
Learn how Python __slots__ reduces memory and boosts speed with real benchmarks from a data science project used in Allegro’s hiring challenge.
Elon Musk's New Grok 4 Takes on ‘Humanity’s Last Exam’ as the AI Race Heats Up
埃隆·马斯克（Elon Musk）推出了Xai的Grok 4，称其为“世界上最聪明的AI”，并声称它可以在Tough-Benchmarkss
Slowdown? Business Cycle Indicator Data as of Mid-June
With SPGMI’s monthly GDP, we have the following picture of series the NBER Business Cycle Dating Committee focuses on: Figure 1: Nonfarm Payroll incl benchmark revision employment from CES (bold blue), civilian employment using smoothed population controls (orange), industrial production (red), pers
Alternative Business Cycle Indicators: April Manufacturing Production and Real Retail Sales Down
生产和销量低于M/M共识。 Figure 1: Implied Nonfarm Payroll early benchmark (NFP) (bold blue), civilian employment adjusted smoothed population controls (bold orange), manufacturing production (red), personal income excluding current transfers in Ch.2017$ (bold green), real retail sales (black), vehicle miles t
China to cut interest rates in response to trade war with US
Half-point cut to be made to banks’ reserve requirement ratio and 1tn yuan released into banking systemBusiness live – latest updatesChina will cut interest rates and inject some much-needed liquidity into the domestic economy, as the country steels itself for a bruising trade war with the US.The Pe
Maths isn’t dull – it’s playful, beautiful and empowering | Letters
Maths teacher Olivia Mariner says negative media portrayals add an unnecessary hurdle to the subjectI was sorry to read that Hannah J Davies had such an uninspiring experience of maths lessons at school that she chose GCSE maths as a benchmark for the dullness of David Tennant’s new ITV programme (G
JOLTS revisions point to even weaker recent jobs market
- by New Deal democratBefore I tackle this morning’s consumer inflation report, yesterday I promised an update of the benchmark revisions to the various JOLTS indexes, for reasons that I think will be apparent upon viewing the graphs.As I wrote yesterday, job openings for the previous 12 months were
I Tried Making my Own (Bad) LLM Benchmark to Cheat in Escape Rooms
最近，DeepSeek 发布了他们的最新模型 R1，一篇又一篇文章称赞其相对于成本的性能，以及此类开源模型的发布如何真正永远改变 LLM 的发展方向。这真是令人兴奋！而且，范围太大了，无法一一列举……但是当像 DeepSeek 这样的模型 […]The post I Tried Making my own (Bad) LLM Benchmark to Cheat in Escape Rooms 首次出现在 Towards Data Science 上。
Detecting Anomalies in Social Media Volume Time Series
我如何检测社交媒体量中的异常：基于残差的方法照片由 Joshua Hoehne 在 Unsplash 上拍摄在社交媒体时代，分析对话量对于了解用户行为、检测趋势以及最重要的是识别异常至关重要。了解异常发生的时间可以帮助管理层和营销部门应对危机情况。在本文中，我们将使用来自 Twitter 的真实示例，探索一种基于残差的方法来检测社交媒体量时间序列数据中的异常。对于这样的任务，我将使用 Numenta Anomaly Benchmark 的数据，它提供了 Twitter 帖子的成交量数据，其基准测试中有 5 分钟的帧窗口。我们将从两个角度分析数据：作为第一个练习，我们将使用完整数据集检测异常，然
