-
-
Show HN：Jevstiller -将Jev提炼成本地模型，并有分歧
HN49· 7 评论
-
吉夫斯。推理改进了Jev决策模型
HN ð199· 83 评论
-
网络和移动对话人工智能代理的隐私分析[pdf]
HN ð386· 124 评论
-
OpenAI放弃了Astra 6.1模型的安全问题
HN24· 0 评论
-
Show HN：Corral -杀死您的特工开始的每个命令
HN ð12· 2 评论
-
OpenAI表示不会发布最新的AI超越安全担忧的模型
HN ð21· 10 评论
-
显示HN：吃豆人板凳-如何以及模型一杆吃豆人游戏？
HN ð23· 17 评论
-
运行1.58位（BitNet）语言模型的ESPN 32S3集群
HN ð12· 1 评论
-
Jeff -Jev兼容0.8B决策模型，在家训练，~30 ms
HN ð243· 93 评论
-
人工智能隐藏的3万亿美元钞票可能会破坏世界经济
HN Ÿ 6 · 0 评论
-
是时候调查人工智能实验室了
HN Ÿ 7 · 0 评论
-
MicroLLM实验室-在浏览器中尝试7个微型LLM
HN ð49· 11 评论
-
学校正在尝试人工智能，但几乎没有证据或政策来指导他们
HN ð12· 5 评论
-
FurE：无需动物毛皮数据集的高效特定实例3D毛皮重建
作者：Srinjay Sarkar、Prakhar Kaushik、Soumava Paul|从多视图图像中重建真实且可编辑的动物皮毛具有挑战性，因为精细尺度细节、自遮挡和模糊，而且与人类毛发不同的是，缺乏动物皮毛数据集。毛皮通常覆盖动物身体的大部分区域，物种间和物种内差异很大。我们提出了FurE，这是一种高效的基于链的动物毛皮重建方法，可以恢复per-s
-
PDMD：视频扩散模型的投影分布匹配蒸馏
作者：王少智、袁俊坤、王昂天|现代视频扩散模型需要对长时空标记序列进行数十次去噪评估。分布匹配蒸馏（DMZ）将功能评估（NFE）的数量减少到少数。然而，DMZ样本可能会在训练期间退化，表现出渐进性过饱和和伪影。我们将这种不稳定性追溯到批评者错误，这些错误会进入连续的学生更新
-
使用交织强化学习在统一模型中学习本地反思
作者：范宜佳、黄子琪、蔡忠昂|统一的多模态模型可以查看和渲染图像，因此原则上它们可以修复自己的生成：诊断图像的错误，修改它，观察结果，并再次诊断。只有在渲染后才知道修订是否有帮助，因此必须在整个循环中联合学习反射文本和图像生成。反思监督微调（SFT）
-
凯伦·布利森《七个哥特式故事》中的圣经互文性检索
作者：András Kovács、Alexander Conroy、Daniel Hershcovich|识别互文参考文献是文学学术的核心，但当源材料通过重述、影射、历史语言和翻译进行转换时，在计算上很困难。我们通过凯伦·布利森的《七个哥特故事》中的圣经互文性来研究这个问题。根据评论版的评论，我们构建了一个包含189个注释参考的基准
-
统一分布式训练，实现一步视觉生成
作者：张驰、施浩洋、刘月一|\{分布训练}通过匹配冻结表示空间中的真实特征和生成的特征，为一步视觉生成提供集体监督。我们引入了\{一个统一的理论框架}，它将分布建模与匹配差异分开，并通过Wasserstein梯度流将全局目标与逐点特征更新联系起来。在此框架下，F
-
TokenCast：预测LLM代理执行期间的代币消耗
作者：杨超倩、凌岳、郑丽斌|当大型语言模型（LLM）代理执行相同任务时，令牌消耗在不同运行之间可能会有一个数量级的差异。代理根据工具反馈和中间结果选择下一步，而不断增长的上下文会稳步扩大每次后续调用的输入大小。因此，在执行之前很难预测任务的总消耗量和预测μ
-
基于叙事状态跟踪的长篇故事生成
作者：万振南、陈建飞|法学硕士在创意写作方面表现出了强大的能力。然而，将它们扩展到长篇小说仍然具有挑战性，因为保持叙事一致性变得越来越困难。现有的故事生成方法通常专注于多达一万字的故事，使其扩展到长篇小说的能力未得到充分探索。在这部作品中，我们引入了叙述S
-
复合自适应控制的压缩动态表示的统计学习
作者：Min Kim、José Leonardo Brenes、Fred Hadaegh|我们提出了一个用于动态耦合干扰下复合自适应跟踪控制的表示学习框架。该框架将经典的干扰调节控制（ADC）与最近的最后一层自适应干扰抑制方法连接起来。具体来说，我们引入了一个有统计原则的硬期望最大化（硬EM）程序，硬期望中有卡尔曼平滑器
-
我为人工智能自动化制作了一个视觉工作空间
HN ð17· 15 评论
-
问题不在于人工智能代码，而在于不了解系统架构或意图
HN ð323· 210 评论