群体投票的分布情况。本次论文导读，编者选择了10月份OR和MS上与"人的预测"有关的三篇文章，分别涉及群体智慧的提取，个体序列预测的评估，以及决策者对风险的扭曲感知在分布式鲁棒优化中的应用。"(GPWM)进行群体预测的聚合，到使用严格的序贯检验模型来比较预测者的表现，本次选取的三篇文章对"人的预测"相关的数学建模、统计分析及其在优化问题中的应用都有一定启发，希望能引起相关读者的兴趣。值得注意的是，

讲座标题：Deep Dive into LLMs like ChatGPT视频作者：Andrej Karpathy原作链接：https://www.youtube.com/watch?近年来，大模型技术迅猛发展，已成为人工智能领域最受关注的研究方向之一。从科研机构到科技公司，从程序员到普通用户，越来越多的人开始使用 ChatGPT 等大语言模型进行翻译、编程、学习与创作。

讲座标题：Deep Dive into LLMs like ChatGPT视频作者：Andrej Karpathy原作链接：https://www.youtube.com/watch?Andrej Karpathy 在油管上发布了视频《Deep Dive into LLMs like ChatGPT》，用清晰直观的方式解释了 ChatGPT 背后的数学结构与工程逻辑。在《》中，我们回顾了讲座的上半

Details:Details:Details:Details:Details:Details:Details:Details:Details:Details:Details:Details:Details:Details:Details:Details:Location:Details:Location:Details:Location:Details:

然而，关于成功与失败的经验的作用及其对改善流动团队成果的影响，尚未得到探索。本月MS发文聚焦风险管理策略、平台经济中的空间匹配与信息共享、新兴技术采纳及行为金融与组织动力学，研究网约车服务可及性的密度经济效应、按需平台供需错配的信息披露机制、生成式AI的快速普及特征、税收断点对投资者行为的影响等前沿问题。平台向所有司机共享超额需求区域的供需错配信息（溢价信息共享，即目前的通行做法），向所有司机共享

本文围绕“自然语言运行需求 → 可执行电力系统优化模型/代码”的自动化建模目标，构建了面向专业电力优化建模的评测体系：通过ProOPF-D提供可训练的多层级样本，并以ProOPF-B给出端到端、可执行的严格评测协议。实验结果显示，主流大模型在通用优化建模基准上表现优异，但在电力工程级场景（尤其是语义参数推断与结构扩展的组合挑战）上仍存在显著差距；而基于 ProOPF-D 的监督微调能够有效提升整体

本文介绍的这项工作由多伦多大学团队完成，并发表于 2025 年的 Manufacturing & Service Operations Management (MSOM)，给出了一个颇具启发性的答案：将机器学习嵌入大规模双层优化模型之中，在优化过程中同时控制预测误差，并在严格的理论框架下分析最优性差距。它不是单纯的机器学习应用，也不是传统的随机规划近似技巧，而是在优化模型内部构造一个“可控的近似机

本文基于“分而治之”、“问题分解”的思想提出了一种分层强化学习框架H-TSP，用以求解大规模TSP。四个不同规模数据集上的大量实验证明了算法的性能与计算效率。通过消融实验，本文验证了所设计策略的有效性，并探索了利用诸如LKH-3这样的先进启发式算法进一步提升下层策略的可行性。进一步地，本文提出的设计思想，或将助力其他复杂、大规模优化问题（如车辆路径规划、车间调度）的高效求解。

原文：Random Gradient-Free Minimization of Convex Functions. Found Comput Math 17, 527–566 (2017). https://doi.org/10.1007/s10208-015-9296-2原文作者：Yurii Nesterov, Vladimir Spokoiny论文解读者：陈宇文。

在过去十年间，库存与供应链管理经历了显著的变革。电子商务的兴起为供应链引入了复杂性与全球化，导致物理流动日益互联。因此，管理这些供应链所需的成本不断上升。此外，COVID-19 疫情更是进一步推高了管理复杂网络的支出。根据《华尔街日报》的最新报道，美国企业的物流成本在某些年份中同比增长高达 22%. 为应对这些挑战，一个具有前景的方向是引入基于人工智能的库存管理解决方案，该类方案在管理复杂供应链方