#BuildInPublic
开源了一个 AI 模拟引擎 SGO (语义梯度优化引擎）
在 AI 世界迭代产品或者功能，目前最最缺少的就是现实世界现实用户的反馈；这些反馈意见序列实际上构成了产品的演化路径。
然而用户（真人）反馈周期较长，且不能覆盖所有的情景。当下，我们常常让 LLM
时政
( github.com )

BuildInPublic

开源了一个 AI 模拟引擎 SGO (语义梯度优化引擎） https://t.co/vJJWMaXEqF

在 AI 世界迭代产品或者功能，目前最最缺少的就是现实世界现实用户的反馈；这些反馈意见序列实际上构成了产品的演化路径。

然而用户（真人）反馈周期较长，且不能覆盖所有的情景。当下，我们常常让 LLM "假装"某一类用户得到一个近似的反馈，但这种反馈都是一个一个的数据点，完全取决于事先规划好了的角色。

SGO 采用的思路是：用和人口普查对齐的合成数据来模拟真人用户。NVIDIA 开源了多个主权数据集，比如对于美国，Nemotron-Personas-USA 数据集里有一百万个基于美国人口普查数据生成的合成人物。不是那种 LLM 随便编的"有着三十年经验的工程师"，而是有完整背景的人——伊利诺伊郊区的建筑工人、德州农村的手工艺人、纽约的单亲妈妈等等。他们有各自的爱好、习惯、关注点。这些人的年龄、学历、职业、收入分布都跟真实人口一致。

SGO 的采样，模拟和梯度计算框架可以让你直接从这些人里拿到反馈，周期大约 30 秒，LLM API 花费大约 $0.10。

使用方法也很简单：把要优化的东西贴进去，比如产品描述、融资 pitch、一则爆款文章等等（有一个用户甚至把他的约会 profile 放进去优化）。总之什么都行。

SGO 会很科学的帮你自动选择优化目标和目标受众。确定好以后，从这 100 万个有机数据人群中科学采样 (stratified sampling)、分类聚类、逐一询问反馈(contrafactual inquiry)、对照目标，逐一构建所谓的"语义梯度" （相当于目标对于各个变量的 Jacobian 矩阵），以及最终的汇总反馈和迭代方向。

代码开源，目前部署在 HuggingFace Spaces 上可以直接试用。你可以把 SGO 作为 Skill 单独使用，也可以把它放在一个内循环里，和 auto-research 联合使用。

HF Space: https://t.co/0U5nlFDiUX

希望 SGO 和 auto-resesarch 结合，帮助大家优化那些跨越数字世界和现实世界的许多场景。

PS：现有的跑通的场景