学术界

Percy Liang

斯坦福大学·Together AI

关注理由: 评估与开源模型

人事变动

暂无已发布的人事变动。

论文

论文2026-10-22

找到了利用人工智能生成的虚拟数据提升性能的规律

Rewriting Scaling Laws for Synthetic Data with Compute and Data Constraints

Percy Liang 等 6 人

做了什么: 研究了语言模型在预训练中使用将自然语言文档改写为其他样式的虚拟数据（Synthetic rewrites）时，在计算资源和数据限制下预测最佳比例与性能的规律。
核心结果: 随着计算机计算资源的增加，虚拟数据的最佳比重也随之增加；并且，用比自身更大的模型或同等大小模型生成的虚拟数据进行训练的模型，比仅使用原始数据的模型表现出更优异的性能。
意义: 这表明利用虚拟数据的人工智能训练方法是可预测的，并通过此方法可以克服数据限制并高效地改善性能。AI 摘要

训练与扩展

完整摘要阅读原文 ↗ PDF ↗

论文2026-10-04 · arXiv (Cornell University)

衡量AI产出未来研究设想的难易程度

Priced Guidance: Can Language Models Generate Future Research Ideas?

Percy Liang 等 2 人

做了什么: 提出了一种通过提示所需的信息量（压缩成本）来间接估计语言模型在没有提示的情况下得出新研究设想的可能性的方法。
核心结果: 评估了5个模型针对近87篇深度学习论文的核心设想，表现最好的单一模型其中位数压缩成本为69.9比特。这大大低于通用压缩工具gzip的中位数5,712比特。
意义: 这项研究展示了一个新的评估框架，可以计算模型想到设想概率的下界。不过，摘要并未涉及研究生产力或市场效应。AI 摘要

科学 AI

完整摘要阅读原文 ↗ PDF ↗

论文2026-09-10

分析人工智能训练数据重复时混合专家模型的过拟合现象

Data Scarcity and Model Sparsity: Mixtures-of-Experts Overfit More to Repeated Data

Percy Liang 等 4 人

做了什么: 研究表明，当人工智能训练数据重复时，近年来广泛使用的“混合专家”架构比传统模型的性能下降更快。
核心结果: 在数据重复时，混合专家模型极易发生过拟合，虽然可以通过传统的正则化技术得到一定程度的缓解，但仍无法达到使用独占数据训练时的性能。
意义: 这表明在因数据稀缺而需要重复学习的情况下，有必要根据人工智能模型的架构特点来制定训练策略。AI 摘要

训练与扩展

完整摘要阅读原文 ↗ PDF ↗

论文2026-05-06 · arXiv.org

开发评估人工智能代理安全风险的平台

DecodingTrust-Agent Platform (DTap): A Controllable and Interactive Red-Teaming Platform for AI Agents

Percy Liang 等 16 人

做了什么: 开发了一个可在各种实际环境中评估人工智能代理安全风险的平台和自动化攻击工具。
核心结果: 借此揭示了各种人工智能代理的系统性漏洞模式，并提供了对安全性的见解。
意义: 可用作开发下一代安全人工智能代理的有用基础资料。AI 摘要

智能体与编程安全与监管

完整摘要阅读原文 ↗ PDF ↗

本页面整理已发表的论文、官方公告和媒体报道，仅供参考。论文摘要由 AI 根据论文摘要撰写并经编辑审核，可能与原文存在差异，重要内容请查阅原文。本页面不构成任何证券的买卖建议或投资咨询。人事变动以官方公告或主要媒体报道为来源，部分履历参考维基数据（CC0）。本页摘要由 AI 根据编辑审核过的韩文版本翻译。