MARC 相关 AI 资讯 · AITOP · AI热报

8月14日

11:59

11:59

官方账号arXiv cs.AI@Saisha Shetty, Satvik Tripathi, Austin Lin, Colin Zhao, Theodore Kim, Don Enwerem, Jacinta Arnold, Shahriar Faghani, Tessa S Cook

MARC v1 是一个面向临床推理的开源多智能体框架，替代单体 LLM 提示方式。框架协调提取、推理、答案生成和评估四类角色智能体，中间输出可追踪，支持分阶段错误归因。Decomposer 模块能从自然语言描述自动生成任务提示，省去手工提示工程。该框架支持 API 和本地 CPU 部署，全部配置通过 YAML 完成。代码已发布在 GitHub 上。

AI产品 MARC 多智能体临床推理

推荐理由：宾大开源了临床AI框架MARC，用多智能体分工替代大提示词，Decomposer自动生成提示，改配置就行，不用写代码。

7月30日

11:31

11:31

官方账号arXiv cs.LG@Quang Bui, Sparsh Roy, Akash Gundimeda, Davin Yin

该论文研究了基于扩散模型的提议在连续代数约束求解中的有效性。在候选条件修复排序中，K个增强选项的排名器以少量调用达到穷举搜索上限：平衡非线性菜单准确率0.997 vs 0.236（p<10^-70），多种子平均0.982±0.006。提出的MARC系统将约束转化为因子图，用图神经扩散去噪器提出赋值，再通过精确计算机代数能量下降优化并由符号检查器验证。与随机多起点相比，学习式提议只在高维空间明显胜出（低维持平，变量耦合时优势消失）。在八个真实系统（机器人、定位、优化、代数）中，经典随机多起点全部求解，无一处于学习有利区间。

论文 MARC 扩散模型约束求解

推荐理由：这篇论文用严格的对照实验告诉你：扩散模型在约束求解里什么时候有用、什么时候没用，结果很反直觉——真实系统里随机多起点反而全赢了。做AI for science和优化的人值得看看。