A2GUI

Agent-based generation of graphical user interfaces.

[UNGETSU @ungetsuli]

最���看到一个很有意思的判断：Agent Memory 实际上是一套缺乏稳定显式 Reward 的推荐系统。

衍生出来的理解是：保存过去只是数据层。Memory 每次真正执行的，是从完整历史中挑选极少量信息，重新送入 Context Window，为接下来的 Token Prediction 提供条���。它同样包含候选生成、召回、排序和过滤，只是被推荐的对象变成了“过去”。

很显然这套系统比常规推荐更难训练。Feed 至少拥有点击、停留、互动和付费等带噪声的反馈；Memory 中，一段记忆被调用后用户没有纠正，无法证明召回正确；回答最终被接受，也无法证明这段记忆真正产生了价值。

一个共识的棘手问题是反馈闭环。召回结果会改变 Agent 的回答，回答继续影响用户行为，新的行为又进入下一轮 Memory。一旦排序策略持续偏爱某类旧经验，Agent 会逐渐将一个复杂、持续变化的人压缩成少数标签，并在后续互动中不断制造���持这些标签的新证据。

也许这就是所谓 Memory 版本的信息茧房。

因为向量只能比照相似度，无法原生处理“此刻是否应该想起”，后者还依赖时间有效性、证据权威、任务目的、冲突状态和隐私边界等。遗忘也可以理解为动态降权，比如一段经历仍然保存在历史中，只是暂时失去进入当前上下文的资格。

Agent 眼中的用户或个体，最终由这套排序函数持续生成。被反复召回的过去逐渐成为人格，长期得不到曝光的经历则慢慢退出定义。

因此，谁控制了 Retrieval Policy，谁就在控制 Agent 将如何理解一个人。

[A2GUI @A2GUI]

@ungetsuli 所以信号在哪儿，这是一个交互问题。Memory自身链式传播放大毒性，导致窗口污染。Task如何保持自平衡，恰到好处，验证对错，路由调度，一堆问题很难抽象出一个好系统，一个好重点

[A2GUI @A2GUI]

@CalStonebreaker @bingwujinyi 😂 BM25上，余弦相似度有根本上的不同。

[A2GUI @A2GUI]

@ScarletKc_ 哪里有H100 可以租，最近找价格便宜的H100，根本没有啊，很多都年租。

[A2GUI @A2GUI]

@Xianbao_QIAN @julien_c @AdinaYakup 必须滴！抱抱脸🤗，我看过这个创业早期的故事，收获很大。大概是五年前

[A2GUI @A2GUI]

@ai_for_success @JensenHuang @nvidia 😂

[A2GUI @A2GUI]

@RealVicHere 没错，benchmark不能反应实际情况。

[A2GUI @A2GUI]

@ornith_ Qwen3.6-27B is a pretty good base model. Have you tried it?

[A2GUI @A2GUI]

@JoshAEngels 可这不是纯粹的扩散，而是半个自回归，它在块与块之间做自回归，CoT当然起作用，你有试过纯粹的扩散吗？

[A2GUI @A2GUI]

@jakevin7 我认为没追上，而且Opus未必2T

[A2GUI @A2GUI]

这不是一种技能，而是一种文明如何驯服复杂性的文化形式。

[A2GUI @A2GUI]

@mobailabs @cherry_mx_reds 看得出GPT和Claude，让他们爆账单了。haha

[A2GUI @A2GUI]

谷歌趋势最近的暴涨数据很可能是假的，是因为 AI 搜索在后台自动进行的那些“扇出查询”被错误地归并到了一起，导致关键词热度虚高，而不是用户需求真的爆发了。

[Wei Deng @dwgreyman]

1/N: Best base model for discrete diffusion LM? Masked diffusion is cheap, but it has weak native self-correction ability. Remasking introduces ad-hoc parameters, making the pipeline hard to tune and generalize. Pure uniform diffusion has a stronger correction potential, but it comes with a quadratic state space over the vocabulary, making it unscalable and much more expensive to train.

We therefore revisit the mask+uniform direction previously explored by GIDD and present Self-Correction Discrete Diffusion (SCDD), which can be viewed as a real multi-step BERT. We exploit the absorbing structure not only for the mask state, but also for uniform token-to-token transitions, making our formulation much simpler than GIDD. We do not rely on ReMask for self-correction; instead, everything is learned during pre-/mid-training to maximize generalization potential. Here is how SCDD compares with GIDD and MDLM.

[A2GUI @A2GUI]

@dwgreyman Great job!

[A2GUI @A2GUI]

@MaxForAI 好的，马上接入。hh

[A2GUI @A2GUI]

@tom_jiahao @lexfridman 卧槽，这不是我们老家吗？陕北啊。

[A2GUI @A2GUI]

@xsser_w 去年就想做这个了，但是发现这个市场其实不好做，出海还行，中文市场还是阿里的。

[A2GUI @A2GUI]

死亡是一种反馈，不是失败。比死亡更糟的，是出发点错了但居然成功了。这种成功是世界出了 bug，不是事情本身正确。它的存在价值要被折算。

[A2GUI @A2GUI]

@factorydoge69 @usr_bin_roygbiv 🤣所以翻墙筛选出了聪明人？