Selection（选择）在人工智能与机器学习语境下，指从大量候选数据、任务、提示或策略中筛选出对训练或推理最有效子集的方法，它正从工程技巧演变为智能体系统的核心组件。在近期研究中，Selection 被用于多环境训练、网页智能体评估、地理空间预测和强化学习微调等场景，目标是以更低成本获得更高性能。
Selection 近期进展
Apple 提出的 RISED 方法将 Selection 用于多环境智能体训练数据筛选，通过基于 rubric 的评分机制从多个环境中挑选高质量训练样本，以提升智能体泛化能力。Apple 提出 RISED：基于 rubric 的多环境智能体训练数据选择方法
CLIFT 则用保形自验证替代外部裁判，在开源网页智能体训练中实现 Selection 的自动化，减少对人工标注或强模型评判的依赖。CLIFT：用保形自验证训练开源网页智能体并替代外部裁判
在应用侧，Planetary Prediction Engine 将智能数据 Selection 与基础模型嵌入结合，用于自主地理空间预测；Task-CoEvolve 则通过自适应验证任务 Selection 优化任务执行流程。Planetary Prediction Engine Task-CoEvolve
此外，DeepSeek 的 Kalman 滤波结合课程学习工作，将动态提示 Selection 用于自适应 RL 微调；Anthropic 的上下文压缩理论也从通信复杂度角度为 Selection 提供理论视角。Kalman滤波结合课程学习 上下文压缩理论
当前焦点与观察点
当前 Selection 的焦点在于：如何设计可扩展、可验证的筛选标准，避免引入偏差或额外成本；以及 Selection 与评估、训练闭环的耦合程度。观察点包括：Selection 能否在真实生产环境中稳定提升智能体表现，以及不同方法之间的可比性。