普林斯顿大学
核心事实
时间轴 (近 90 天)
Elizabeth Margulis 是普林斯顿大学音乐认知实验室（Music Cognition Lab）的负责人
普林斯顿大学2023年的论文发现，在内容中加入统计数据、引用权威来源、增加可引用的结构化表述能显著提升被生成式搜索引用的概率
SCION（Scene Composition with Instanced Neural Primitives）由普林斯顿大学团队提出
Sayash Kapoor是普林斯顿大学研究员，Arvind Narayanan是普林斯顿计算机科学教授，两人合著《AI的谎言》（AI Snake Oil）
GEO 概念最早由普林斯顿大学等机构研究人员于2023年在学术论文中正式提出
GEO概念最早由普林斯顿大学等机构的研究者在2023年提出
生成式搜索优化（GEO）概念由普林斯顿大学等机构的研究者于2023年底正式提出
「思考—行动—观察」的循环模式在学术文献中被称为ReAct（Reasoning + Acting）框架，由普林斯顿大学和谷歌的研究者于2022年提出
普林斯顿大学数学家斯坦·帕拉西奇指出OpenAI证明中移除外力部分的弱点：能量累积机制会比其增长更快地将能量耗散给流体的粘性
Saga模式由普林斯顿大学的Hector Garcia-Molina在1987年提出，核心思想是将长事务拆分为多个短事务，每个短事务都有对应的补偿操作
还有 5 条时间轴事件
全部知识事实 (20)
ReAct框架由普林斯顿大学和Google Brain团队在2022年的论文中提出
90%已验证SWE-Bench由普林斯顿大学研究团队于2023年发布
90%已验证SWE-bench由普林斯顿大学团队开发，Pro版本要求模型在真实GitHub代码仓库中定位Bug并生成修复补丁
80%已验证ReAct框架由Yao等人于2022年发表在NeurIPS，证明了将自然语言推理轨迹与行动步骤交织能显著优于单独使用思维链或单独使用行动序列
80%已验证SWE-bench 由普林斯顿大学研究团队创建，从 GitHub 真实开源项目中抽取 issue，要求模型生成能通过测试用例的补丁
80%已验证ReAct框架由谷歌研究院于2022年提出，由Shunyu Yao等人发表于ICLR 2023
80%已验证SWE-bench由普林斯顿大学研究团队于2023年发布，从12个知名Python开源项目中收集了2,294个真实的GitHub Issue及其对应的Pull Request修复方案
80%已验证SWE-bench是由普林斯顿大学研究团队于2023年推出的软件工程能力评测基准
80%已验证ReAct（Reasoning + Acting）是2022年由Google提出的Agent范式，核心思想是让大模型在推理和行动之间交替迭代
80%已验证SWE-Bench由普林斯顿大学于2023年推出，从GitHub真实开源项目中抽取数千个已解决的Issue来评测AI编程能力
80%已验证SWE Bench是由普林斯顿大学提出的软件工程基准测试，专门评估AI模型解决真实GitHub Issue的能力
80%已验证SWE-bench由普林斯顿大学提出，包含来自真实GitHub仓库的2294个软件工程问题
80%已验证ReAct（Reasoning + Acting）框架由普林斯顿大学在2022年提出
80%已验证GEO（Generative Engine Optimization，生成引擎优化）是2024年兴起的新概念，最早由Georgia Tech等机构的研究论文系统阐述
75%已验证fMRI研究显示，当受试者观看处于恐怖谷区间的仿人形象时，大脑的杏仁核和前额叶皮层会同时激活
70%已验证Tristan Buckmaster是纽约大学(NYU)的终身教授,专长于流体力学与偏微分方程领域
65%已验证生成引擎优化（GEO）由普林斯顿大学等机构的研究者在2023年前后正式提出
65%已验证SWE-bench 基准由普林斯顿大学 NLP 团队于 2023 年发布，从 12 个真实开源 Python 项目中抽取 2294 个经过验证的 Issue-PR 配对
65%已验证SWE-bench由普林斯顿大学研究团队推出，专门用于评估大语言模型解决真实软件工程问题的能力
65%已验证SWE-Agent是普林斯顿大学发布的研究，专注于让AI Agent自主解决GitHub上的真实软件工程问题
65%