DeepMind研究所
HN ð131· 43 评论
-
-
关于“模范福利”的警告
HN ð191· 521 评论
-
法学硕士时代学习编程
HN ð65· 39 评论
-
Mistral X Firefox：私人、多语言人工智能浏览
HN76· 17 评论
-
数据模仿-不要让您的编码代理发明自己的测试世界
HN ð44· 7 评论
-
在搜索中保持可搜索性，同时禁止人工智能训练
HN ð37· 20 评论
-
介绍System One车型和Jev
HN ð609· 204 评论
-
学习通过永不放弃来解决RL中的棘手问题
HN ð18· 0 评论
-
大型社会需要社会规范
作者：Tapan Chugh、Vidushi Singh、Krish Jain|代理社会是一群人工智能代理的集合，代表目标可能仅部分一致的不同委托人，跨越信任边界自主协调。我们通过实验表明，在代理社会中，即使是诚实、有能力的代理人也常常无法通过现有的工具和消息传递基元达到令人满意的结果，并且有缺陷或恶意的代理人可能会阻止代理人。
-
ScienceBuddy：交互式科学代理的循环中的自我改进
作者：薛淑汉、钟建元、南子元|我们引入并发布ScienceBuddy，这是一个交互式科学研究工作空间，将不断改进的科学代理带入研究人员的日常工作流程中。ScienceBuddy支持研究人员执行科学任务，同时将他们的请求、反馈和执行证据转化为持续学习的任务和评估指标。其核心是循环重复
-
PhysStream：具有结构化场景内存和细粒度运动控制的流物理基础视频生成
作者：陈楚浩、彼得·旺卡、王朝阳|视频生成的交互式控制正在从粗糙的提示转向对动态场景的细粒度、物理上有意义的操纵。然而，现有的可控方法要么需要在生成开始之前完成完整的控制时间表，要么使用规定对象位置而不是物理动态的像素空间信号。为了解决这些局限性，我们提出了PhysStream，一种autoregre
-
LLM什么时候应该弃权？选择性风险控制的自我质疑链
作者：Ali Kazenol|当事实支持较弱时，大型语言模型可以产生流利的答案。本文介绍了自我提问链（CoSJ），这是一个仅限预算的框架，它使回答承诺以回答问题所需信息的明确评估为条件。我们在817项TruthfulQA多项选择验证集上评估了17种条件下的三种CoSQ变体。
-
智能家居的修剪会出现哪些问题以及何时出现？评估跨体系结构和任务复杂性的LLM退化
作者：张聪静、瓦什什塔·帕蒂尔、亨宁·兰格|修剪可以降低大型语言模型（LLM）的部署成本，但其对基于上下文的工具调用的影响仍然知之甚少。我们系统地研究了跨越密集Transformer、密集混合和混合专家（MoE）架构的四个LLM的智能家居工具调用中修剪引起的降级，以及深度、宽度、混合和专家修剪方法。p之后
-
LACE：动态帧率编解码器的逐层压缩
作者：Thanapat Trachu、Samuele Cornell、William Chen|神经音频编解码器是语音语言建模的关键组件。然而，它们的高帧率导致序列长度长，从而增加了计算成本。动态帧率编解码器通过使用压缩步骤将多个帧合并在一起来降低有效帧率来缓解这一问题。然而，大多数现有方法要么在单码本编解码器上操作，要么应用单压缩
-
ENCP：视觉和语言导航的场景规范化保形预测
作者：Vicky Feliren，A. Taufiq Asyhari，Chaad Risqi U.萨普特拉|视觉-语言-导航（VLN）模型的不确定性估计是一项至关重要的任务，因为它可以帮助识别模糊和不可靠的预测，使代理能够做出更安全的导航决策。作为最先进的不确定性估计框架之一，共形预测（CP）为VLN的不确定性估计提供了一种很有前途的方法。然而，鉴于VLN代
-
Gemini 3.8 Live和3.8 Live Extended Thinking
HN ð252· 174 评论
-
可验证的社会推理LLM助理
作者：Amir Taubenfeld、Zorik Gekhman、Avigail Grinstein-Dabush| LLM助理被广泛用于日常社会咨询，但在这种咨询环境中评估他们的社会推理仍然具有挑战性，因为（i）它需要设置助理从主观用户叙述中了解社会情况，以及（ii）社会属性，例如其他人的意图，通常缺乏可验证的基础事实。为了应对这些挑战，我们引入了收件箱，
-
为什么在纳维尔-斯托克斯之后我仍然看空LL
HN73· 29 评论
-
FreqSpaNet：用于物理层硬件完整性检测的SPF频率和空间学习
作者：黄晓轩、徐锦龙、王一哲|未经授权的硬件替换可能会保留无线设备的逻辑身份，同时改变其物理实现，从而对硬件完整性验证构成挑战。空间频率极化指纹（SFPF）捕获多个频率和方向上的设备相关响应，但它们的频率和空间维度表现出不同的结构依赖性。W
-
LimiX-2：面向通用结构化数据智能的上下文机制网络
作者：张兴轩、任刚、昊源|我们引入LimiX-2，这是LimiX系列中的一种新模型，通过在我们之前建立的缩放定律指导下的模型和数据缩放来开发。LimiX-2采用上下文机制网络（CMN）范式，并使用上下文条件掩蔽建模（CCMM）进行预训练。CMN将上下文学习的组织原则从以目标为中心的预测转变为以机制为导向的联合模式