条目 G: 公共部门 ML Pipeline 工程教训（含性能数据表）

• 类型：arxiv
• 标识：2511.01545
• 链接：https://arxiv.org/abs/2511.01545
• 主题：agent, engineering, evaluation, llm-infra, multimodal, rag, risk
• 主分类：engineering
• 形态：position
• 被引：1
• 被引来源：Semantic Scholar
• S2被引：1
• OpenAlex被引：0
• 影响力被引：0
• TLDR：It is shown that the success of machine learning in the public sector will depend less on breakthroughs in model accuracy and more on the ability of institutions to engineer transparent, reproducible, and accountable data infrastructures that citizens can trust.
• OpenAlex ID：W4416437397
• OpenAlex DOI：10.48550/arxiv.2511.01545
• DOI：10.48550/arxiv.2511.01545
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2511.01545
• OpenAlex更新：2026-07-19
• TLDR中文：研究表明，机器学习在公共部门的成功，将更少依赖模型准确率的突破，而更多依赖机构能否构建出透明、可复现、可问责且受公民信任的数据基础设施。
• 待LLM分类：否
• 成熟度：research
• 场景：ML pipeline、公共部门
• 来源文件：
• /inbox/jay/2026-06-13-afternoon-engineering-production-commands-debugging.md
• [S2 enrich]
• [OpenAlex backfill]

可复用信息

• • Google 内部数据：75% 以上代码已由 AI 生成/起草（Pichai 2026 公开披露）
• • 关键 insight：HumanEval 等标准 benchmark 测的是"独立算法挑战"，与企业实际需求严重错位——企业 80%+ 工程工作是上下文相关的代码修改，非从零生成
• • GfG（Google for Google）必要性：处理私有库 + 满足毫秒延迟需求；公开数据集无法满足内部场景
• • 是否精读: 是（Google 内部 AI 工程化规模数据，业界最强参考基准）
• • 建议分类: ai-industry google code-generation enterprise-ai benchmark-mismatch

• • 来源: arXiv 2511.01545 · "From Pre-labeling to Production: Engineering Lessons from a Machine Learning Pipeline in the Public Sector"
• • URL: https://arxiv.org/html/2511.01545v1

写作用途

• 可放入 RAG / 知识库 / 检索增强相关工作的对比段。
• 可用于 Agent 架构、记忆、工具调用或多智能体研究背景。
• 可用于多模态推理、视觉语言模型或长上下文多模态问题定义。
• 可用于系统实现、实验平台或工程约束说明。
• 可用于局限性、风险、失效模式和未来工作。

待补齐

• BibTeX / 正式引用格式
• 方法与实验设置细节
• 与现有工作的差异点
• 是否有代码和数据集