Voyage 实测:embedding+sklearn 老派分类器错误率比 Jev 低 37%
csinva · reddit · 2026-10-29
Voyage AI 研究人员对当前热门的「决策模型」Jev 提出质疑:在大多数真实场景里你本来就有标注数据,完全可以拿来做个性化建模。他们测试了一条老派路线:
- 用开源或便宜的 embedding 模型对输入做向量化
- 在其上用 sklearn 拟合一个简单分类/回归模型,使用自己的标注
结果显示这套方案更便宜,且几乎总是显著更准——相对 Jev 错误率降低 37%。作者(已声明是 Voyage 员工)公开了完整 write-up 与代码,并征集零样本反而更优的反例。
「研究」频道最新
- EMNLP 2026 主会短论文录取率仅 6.7%,1158 篇投稿只收 78 篇 — windx0303 · 2026-10-29
- DeepMind 论文：AI 冲击就业先渐进后突变，协调力破科斯天花板 — paulnovosad · 2026-10-29
- Evo 2 团队致谢:一人横跨 RL 后训练、推理优化与分子神经科学的稀有人才 — BrianHie · 2026-10-29
- Evo 2 现象级发现:少样本提示即可引导 DNA 模型生成特定功能序列 — BrianHie · 2026-10-29
- 开发者开源 380M 数据策展决策模型:100 万网页筛选仅花 5 美元 — vanstriendaniel · 2026-10-29
- OpenAI 科学发现烧掉千万美元算力,Navier-Stokes 一项就超 1000 万 — ilkamoi · 2026-10-29