hiw3c AI 日报

星期四 · 71 条
  59. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:59快照

    永不回头：从以自我为中心的视频中了解3D对象记忆的持久性

    作者：Shravan Chaudhari，William Paul，Suchi Saria|当我们在世界中行走并执行日常任务时，我们遇到的对象可能只有在以后才变得相关。我们能够回忆起我们把东西放在哪里或容器内的东西，即使不知道我们以后会需要它。在这里，我们研究了实体助理如何通过观察一个人的日常活动，从以自我为中心的视频中建立类似的记忆。我们介绍莱德

    快照阅读原文 ↗
  60. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:59快照

    RL VR中探索与优化脱钩

    作者：Saif Punjwani、Micah Goldblum|现代语言模型在已经训练的检查点之上进行具有可验证奖励（WLVR）的强化学习。WLVR的一个关键承诺是发现新的推理策略。原则上，模型可以对其之前训练数据中缺失的新颖想法进行采样。然而，在实践中，通过强大的新颖性激励来增强WLVR的成功有限，并且可能会降低模型质量。B

    快照阅读原文 ↗
  61. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:58快照

    EngramEdit：通过条件记忆在LLM中脱钩知识更新

    作者：蔡红如、然伟、王文杰|DeepSeek Engram等条件存储器架构使用输入n-gram来查找学习到的嵌入，以有限的额外计算扩展大型语言模型（LLM）的容量。除了模型扩展之外，该架构还展示了将事实知识存储与通用计算脱钩的潜力，为更新事实知识提供了一种有希望的途径

    快照阅读原文 ↗
  62. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:58快照

    Long-WAM：扩展世界行动模型的背景

    作者：黄伟、张博汉、刘晨志|实时机器人控制需要足够的视觉历史来推断运动和任务进度，但处理该历史可能会延迟行动。我们提出了Long-WAM，这是一个模型系统框架，用于在实时控制约束下扩展因果世界行为模型的上下文。我们的中心发现是，获取历史与使用历史不同：当视频被发现时，更长的历史会带来更大的回报

    快照阅读原文 ↗
  63. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:57快照

    重尾噪音下的分散式新元：最佳收敛率和梯度剪辑的作用

    作者：Aleksandar Armacki，Haoyuan Cai，Ali H. Sayed|重尾噪声在现代机器学习中被广泛观察到，这激发了梯度裁剪和归一化等方法的使用。虽然这些方法在集中式环境中得到了很好的理解，但在分散式环境中人们所知的要少得多，在分散式环境中对局部梯度应用非线性会影响优化和共识。最近关于去中心非凸优化的工作已经

    快照阅读原文 ↗
  64. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:57快照

    行动前重述：视觉-语言-行动模型中的语言敏感性特征和缓解

    作者：Mikey Watts、Yenson Cui|视觉语言动作模型（VGA）对指令措辞极其敏感，并且不会继承其所基于的视觉语言模型的语言稳健性。一个词的编辑可以将成功提升数十个百分点：$pi_{0.5}$在“打开炉子”时100%的时间打开LIBERO炉子，在“打开热盘”时2%的时间打开，和一个经过重新短语修饰的$pi_0$检查点a

    快照阅读原文 ↗
  65. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:56快照

    提炼图形几何：从GNN到MLP的知识差距

    作者：陈哲伟、朱浩、江娇|GNN到MLP的蒸馏旨在保留消息传递教师的预测准确性，同时在推理时部署无图形的MLP。现有的方法主要传输节点预测或使用基于置信度的重新加权，但它们没有指定学生应该在哪里保存教师的图形诱导几何。我们表明，这种遗漏会导致stu中的两种光谱失效模式

    快照阅读原文 ↗
  66. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:55快照

    为什么只遗忘的遗忘需要小型化

    作者：Luka Radić、Vikrant Singhal、Amartya Sanyal|机器取消学习要求删除算法，其输出接近于从头开始重新训练，而无需选择的忘记示例。在这项工作中，我们研究了仅遗忘取消学习，其中删除算法仅接收训练后的模型和要忘记的示例，没有保留数据或额外的训练信息。我们问只遗忘的遗忘是否总是可能的。我们首先展示

    快照阅读原文 ↗
  67. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:54快照

    RoboJEPA：扩展机器人潜在世界模型

    作者：Artem Zolus、Nicolas Belran-Velez、袁建浩|潜在世界模型已经显示出预测未来状态和在现实世界中进行规划的非凡能力。然而，在实践中，我们缺乏一种原则性的方法来估计他们的能力如何随着模型大小、数据和计算而扩展，这是一个悬而未决的问题，会减缓该领域的进展。在这项工作中，我们介绍了RoboJEPA，这是一个基于联合嵌入预测架构（JE

    快照阅读原文 ↗
  68. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:52快照

    ENSO SciExam：人工智能代理可以构建气候模型吗？

    作者：张银玲、刘朗晨、秀东宾|数字模型代理人越来越多地被要求进行开放式科学研究，但他们的结果通常根据已知答案、标题或语言模型评论员进行评分，而这些都无法判断新的科学模型是否有效。厄尔尼诺-南方涛动人工智能科学考试（ENSO的SciExam）是一个基准，其中智能体构建ENSO的低级随机模型，

    快照阅读原文 ↗