AI学习共26篇

将AI草稿整理为学习卡片，保留问题、出处、自己的解释与练习记录，帮助后续回想和核对，而不是直接保存整篇答案。

一句“帮我匹配编号”往往没有讲清编号规则。先列出正例、反例和边界，再检查AI给出的表达式，可以减少看起来能用、实际范围却过宽的问题。

用历史记录预测未来时，随机拆分数据可能让模型在训练中见到比测试时点更晚的信息。验证方式应该尽量还原真实使用时“先有历史，再预测后续”的顺序。

模型输出一个分数或概率后，还需要规则决定是否判为正例。调整这个决策阈值会改变标签结果，但不等于重新训练模型，也不会自动改善概率本身的校准。

Anthropic于2026年10月2日宣布Claude Frontier Academy，并承诺投入1亿美元，目标在2027年底前培养一万名Frontier Deployed Engineers。这些是公告中的投入与培养目标，不是已经毕业的人数。

Google在2026年9月15日介绍Gemini Notebook的一批学习功能，包括互动学习概览和更多测验形式。本文是公告回顾与使用思路，不能把当时的逐步推出计划当成所有账户今天都已开放。

GitHub于2026年10月5日发布AI代码审查基准ReviewBench的介绍，强调真实PR分布、多来源参考问题与统一评判规则。阅读这类评测时，一个关键问题是怎样对待参考集中尚未收录的发现。

测试全部通过，可能是实现正确，也可能是测试没有覆盖真正的要求。审查AI给出的测试时，应先确认预期结果来自需求，再观察它能否识别一个明确错误。

多分类任务除了看每类表现，还常汇总成一个分数。macro给每个类别同样权重，weighted按各类真实样本数加权，二者回答的问题不同，不能省略名称只报一个“平均分”。

知识库演示中答对一个问题，并不足以说明它适合日常使用。为自己的资料准备一套小问题集，可以让每次调整都变成可比较的记录。