✨ feat: update 2024-04-07 section

blogs/2024/2024-04-07/index.md

@@ -11,6 +11,8 @@ tags: []
 
 ## 🌟 AI 相关
 
+[《CMAT: 与GPT3.5相媲美的1.8B Agent模型和框架》](https://mp.weixin.qq.com/s/srCgwrjlggVlSwtOzU6iQw)。本文主要介绍了一种与 GPT3.5 性能相匹那的1.8B Agent 模型和框架。提出了 TinyAgent 模型和多代理合作调整 (CMAT) 框架，通过环境反馈驱动的权重调整，增强了语言代理的能力。尤其突出了 TinyAgent-7B模型，虽然参数量不多，但是其性能达到了与 GPT-3.5 相当的水平，显示出大型语言模型在精效方面的巨大进步。同时，文章还详解了 CMAT 框架的运行机制和优势，利用高质量数据集进行训练和 LoRA 方法进行优化，显著提升了模型的性能和应用创新。
+
 [《谷歌更新Transformer架构，更节省计算资源!50%性能提升》](https://mp.weixin.qq.com/s/Xqnv2L9X4KRkfpTaw7B0SA)。Google更新了Transformer架构，发布了Mixture-of-Depths（MoD），它通过动态分配计算资源来跳过不必要的计算，大幅提高了模型的训练效率和推理速度。论文展示了使用MoD的模型在减少每次向前传播所需的FLOPs的同时，步进速度可提高50%。这种方法不仅节约了资源，更在提升性能方面展现出巨大潜力，特别是在大模型的训练和推理中，使得计算资源的分配更为精确和高效。这项研究由DeepMind和麦吉尔大学共同开展，主要贡献者是David Raposo和Adam Santoro。
 
 [《人工智能机器学习算法总结--1.线性回归算法(单变量及多变量)》](https://mp.weixin.qq.com/s/XMrbHWIUDELs8NqOEqR-aA)。本文作者深入介绍了线性回归算法的原理和步骤，从数据准备、模型假设、模型建立、模型评估到预测，涵盖单变量和多变量线性回归。详述了如何通过特征缩放、增加假设函数中的截距项、以及梯度下降法等技术来优化回归模型。同时，探讨了代价函数的计算和模型参数的优化过程，包括正规方程和梯度下降法的对比以及正则化的应用，以提高模型泛化能力，防止过拟合。