【机器学习】决策树——XGBoost、LightGBM主要介绍基于 Boosting 框架的主流集成算法，包括 XGBoost 和 LightGBM。1. XGBoostXGBoost 是大规模并行 boosting tree 的工具，它是目前最快最好的开源 boosting tree 工具包，比常见的工具包快 10 倍以上。Xgboost 和 GBDT 两者都是 boosting 方法，除了工程

本文系统梳理了AI Agent记忆机制的研究进展，基于《Memory in the Age of AI Agents》论文提出的三维分类框架（记忆形式、功能与动态），分析了当前主流技术方案与挑战。记忆对Agent实现连续性、效率性和适应性至关重要，现有方案包括Token级（向量数据库）、参数级（LoRA）和潜在状态记忆三类，各具优缺点。论文还探讨了记忆功能分类（情节/语义/程序记忆）及动态演化机制

本文系统梳理了AI Agent记忆机制的研究进展，基于《Memory in the Age of AI Agents》论文提出的三维分类框架（记忆形式、功能与动态），分析了当前主流技术方案与挑战。记忆对Agent实现连续性、效率性和适应性至关重要，现有方案包括Token级（向量数据库）、参数级（LoRA）和潜在状态记忆三类，各具优缺点。论文还探讨了记忆功能分类（情节/语义/程序记忆）及动态演化机制

本文系统梳理了AI Agent记忆机制的研究进展，基于《Memory in the Age of AI Agents》论文提出的三维分类框架（记忆形式、功能与动态），分析了当前主流技术方案与挑战。记忆对Agent实现连续性、效率性和适应性至关重要，现有方案包括Token级（向量数据库）、参数级（LoRA）和潜在状态记忆三类，各具优缺点。论文还探讨了记忆功能分类（情节/语义/程序记忆）及动态演化机制

本文系统梳理了AI Agent记忆机制的研究进展，基于《Memory in the Age of AI Agents》论文提出的三维分类框架（记忆形式、功能与动态），分析了当前主流技术方案与挑战。记忆对Agent实现连续性、效率性和适应性至关重要，现有方案包括Token级（向量数据库）、参数级（LoRA）和潜在状态记忆三类，各具优缺点。论文还探讨了记忆功能分类（情节/语义/程序记忆）及动态演化机制

有效的微调已成为大型语言模型适应特定任务的必要条件之一。随着 Llama-Factory 的引入，这一全面的框架让训练更加高效，用户无需编写代码即可轻松为超过 100 个 LLMs 定制微调。

GoAI的学习社区**知识星球是一个致力于提供《机器学习 | 深度学习 | CV | NLP | 大模型 | 多模态 | AIGC 》各个最新AI方向综述、论文等成体系的学习资料，配有全面而有深度的专栏内容，包括不限于 前沿论文解读、资料共享、行业最新动态以、实践教程、求职相关（简历撰写技巧、面经资料与心得）多方面综合学习平台，强烈推荐AI小白及AI爱好者学习，性价比非常高！

autoresearch 是 Andrej Karpathy 于 2026 年 3 月发布的自主 AI 科研 Agent 实验框架。其核心理念是：把一个真实的 LLM 训练环境交给 AI Agent，让它在你睡觉时自主做实验——修改代码、跑训练、评估结果、保留改进、丢弃失败，周而复始，而你只需要早上来看实验日志和（期望中）更好的模型。核心数字。

Autoresearch是Andrej Karpathy于2026年发布的自主AI科研框架，通过在nanochat基础上添加AI Agent实现自动化实验。该框架允许AI Agent自主修改代码、运行训练并评估结果，人类仅需通过program.md文件指导研究方向。在首次测试中，Agent完成了700次实验，筛选出20个有效改进，将训练时间缩短11%（2.02小时→1.80小时）。项目采用三大设计

autoresearch 是 Andrej Karpathy 于 2026 年 3 月发布的自主 AI 科研 Agent 实验框架。其核心理念是：把一个真实的 LLM 训练环境交给 AI Agent，让它在你睡觉时自主做实验——修改代码、跑训练、评估结果、保留改进、丢弃失败，周而复始，而你只需要早上来看实验日志和（期望中）更好的模型。核心数字。