研究揭示 Claude Opus 5.5 与 GPT 模型的 AI 写作“破绽”
Graphite 研究发现，Claude Opus 5.5 最爱说“this matters”，出现频率是人类的 116 倍，而 OpenAI 的 Astra 则偏好“not simply X”式的纠正性框架，频率超人类 100 倍。
#数据/训练
#数据/训练
今日 1 条TechCrunch · AIAI 评分4040
Berkeley AI ResearchAI 评分3434 无需 TD 学习的强化学习：分治法实现长时程任务的可扩展 off-policy RL
一项新研究提出用"分治"范式替代时序差分（TD）学习来做 off-policy 强化学习，通过将轨迹一分为二、组合两段价值来更新整体价值，理论上把 Bellman 递归次数从线性降到对数级。该方法在 goal-conditioned RL 中实现了可扩展的分治价值学习，作者称这是首个将分治价值学习扩展到高复杂度任务的工作。相比 n-step TD，它无需调 n 超参，也不必然带来高方差或次优性。
Berkeley AI ResearchAI 评分2626 word2vec 究竟学到了什么？伯克利研究给出闭式理论解释
伯克利 AI 研究团队证明，在初始化接近零、梯度步长极小等温和近似条件下，word2vec 的学习问题可化简为无权重最小二乘矩阵分解，其梯度流动力学有闭式解，最终学到的表示等价于对目标矩阵 M* 做 PCA。训练中模型按离散步骤逐个学习正交线性子空间，每步提升嵌入矩阵的秩并降低损失，这些特征即 M* 的顶部特征向量，可由语料统计和超参数预先算出。