热点事件持续更新
System-One LLM在少样本知识追踪中超越深度KT模型
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
该研究提出直接使用现成的 System-One LLM 对输入题目返回概率，完成知识追踪（KT），以应对几乎没有学习者日志的场景。实验在七个数据集上进行：Jev 不使用目标平台数据，取得平均 AUC .706；作为对照，使用 8 名学习者训练的 28 个深度 KT 模型最佳值为 .689，System-Two Thinking-KT 为 .650。报告同时称其 API 成本约为 Thinking-KT 的 1/100。目前未见与早先报道矛盾之处，也无后续独立验证或同行评议信息。
AI 根据报道生成 · 2 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
10月9日
- arXiv · Computation and LanguageSystem-One LLM 能否在几乎没有学习者日志时完成知识追踪？
研究提出用现成 System-One LLM 直接对输入题目返回概率做知识追踪（KT），在七个数据集上，Jev 不使用目标平台数据即取得平均 AUC .706，高于用 8 名学习者训练的 28 个深度 KT 模型的最佳值 .689，也高于 System-Two Thinking-KT 的 .650，API 成本约为其 1/100。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。