深度分析
OpenEvolve 以 LLM 驅動的張量網路收縮順序優化實驗分析
本研究以OpenEvolve探討LLM輔助的張量網路收縮順序最佳化，使用開源LLM生成程式變異並以驗證指標驅動演化。實驗顯示模型選擇與測試資料、評估指標皆顯著影響結果，並提出未來AI演算法搜尋對科研流程與軟體工程的潛在衝擊。與AlphaEvolve比較，OpenEvolve更彈性。
效能優化
速報
Early Noise Dropping（END）：在大型語言模型中及早剔除噪訊提升效能
大型語言模型在處理長短不同的輸入時，常被無關或噪訊片段干擾，導致輸出品質下滑。研究提出Early Noise Dropping（END），不需微調模型，將輸入切分為多個片段，並在模型的早期層使用線性探測器判別哪些片段具資訊價值。END會在推理過程中及早丟棄被判定為噪訊的片段，以保留重要內容、減少注意力分散並降低計算量。
速報
OpenClaw 優化指南：加速 AI 代理人效能與安全性
GitHub 上新發掘的 openclaw-optimization-guide 專案提供了針對 OpenClaw AI 代理人的完整優化手冊。內容涵蓋速度提升、記憶體架構、上下文管理、模型選擇與一次性開發流程，並加入了最新的安全配置與多供應商支援。