Stray_Lambs的博客

SWE-agent提出将智能体-计算机接口（ACI）作为模型与代码仓库间的独立设计层，证明在固定模型权重下，精心设计的接口可显著提升代码修复成功率。实验显示，GPT-4Turbo在SWE-bench上从11.00%提升至18.00%，绝对提高7个百分点。核心机制包括状态化窗口、汇总搜索、多行编辑与lint回滚，有效降低状态跟踪负担。研究强调：界面设计是代码Agent的关键基础设施，保护机制与信息预算管理比单纯增加上下文更值得投入。结论基于2024年实验口径，不可直接外推至当前模型或评测体系。

ReAct在2022–2023年首次将语言推理与环境反馈纳入统一执行轨迹，通过Thought（推理）与Action（行动）的交替，实现“以推理指导行动、以行动修正推理”的闭环。实验表明，该范式在知识问答与交互决策任务中显著优于纯推理或纯行动模型，尤其在降低事实幻觉方面成效明显。但其效果依赖于外部证据，且易受检索错误与循环推理影响。核心价值在于构建可观察、可校正的执行过程，而非完整智能体系统。现代应用应保留其闭环结构，并通过工具权限、超时、回退等工程控制保障安全与稳定。

记录总结一下自己学过的模型，如果有问题欢迎大佬指正。logistic regression模型P(Y=1|x) = exp(w.x + b) / (1+exp(w.x+b))P(Y=0|x) = 1 / (1+exp(w.x+b))是输入，是输出，w和b是参数，w为权值向量，b为偏置。(统计学习方法里面的定义)在了解模型之前，我们需要先了解一个前提：几率(odds)这个是指一个事情发生的概率和不发生的概率的比值，即一个事情发生的概率是p，那么不发生的概率就是1-p，所以几率...

蚁群优化算法是意大利学者等人在世纪年代初提出的一种源于生物世界的新型启发式仿生算法。它是从自然界中蚂蚁觅食过程的协作方式得到启发而研究产生的。在自然界中，蚁群可以在其觅食的过程中逐渐寻找到食物源与巢穴之间的最短路径。单个蚂蚁在运动过程中能够分泌出一种被称作信息素的化学物质，这种物质能够被蚂蚁所感知，并分辨出其浓度，以此来指导自己倾向于朝着信息素强度高的方向运动。这种倾向是概率的，信息素浓度越高...

Haar特征是一种反映图像的灰度变化的，像素分模块求差值的一种特征。它分为三类：边缘特征、线性特征、中心特征和对角线特征。用黑白两种矩形框组合成特征模板，在特征模板内用 黑色矩形像素和 减去 白色矩形像素和来表示这个模版的特征值。例如：脸部的一些特征能由矩形模块差值特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。但矩形特征只对一些简单的图形结构，如边缘、线段较敏感，所以只能描述在特定方向（水平、垂直、对角）上有明显像素模块梯度变化的图像结构。