第 76 頁-探索人工智慧技術的未來

目前位置：首頁 > 科技文章 > 科技週邊 > 人工智慧

方向：: 全部網路3.0 後端開發 web前端資料庫運維開發工具 php框架每日程式設計微信小程式常見問題其他科技 CMS教程 Java 系統教程電腦教學硬體教學手機教學軟體教學手遊教學

分類：: 人工智慧 IT業界

最熱

最新

高亮反光終結者？ GoogleNeRF-Casting：光線追蹤就能搞定！

NeRF不再「畏懼」近處高光反射早期的NeRF變體使用多層感知器（MLPs）從三維座標映射到體積密度和視點相關的顏色，但是表示詳細的三維幾何和顏色所需的大型MLPs訓練和評估速度極慢。最近的工作專注於透過類似體素網格的資料結構或網格和小型MLPs的組合取代大型MLPs，使NeRF更有效率。雖然可以擴展到表示詳細的大規模場景，但其優勢僅限於三維幾何和主要的漫反射顏色。擴展NeRF建模現實的視點相關外觀的能力仍然是一個挑戰。目前先進的用於閃亮物體視圖合成的模型在兩個方面存在限制：只能合成遠處環境光

人工智慧 1207 2024-06-07 09:27:53
LLM | Yuan 2.0-M32：注意力路由的專家混合模型

圖片一、結論寫在前面Yuan+2.0-M32是一種基礎架構，與Yuan-2.0+2B相似，採用了一個包含32位專家的專家混合架構。其中2位專家處於活躍狀態。提出並採用了一個包含32位專家的專家混合架構，以更有效率地選擇專家，相比採用經典路由網路的模型，其準確率提升了3.8%。 Yuan+2.0-M32從零開始訓練，使用了2000B的token，其訓練消耗僅為同等參數規模密集集合模型的9.25%。為了更好地選擇專家，引入了注意力路由器，該路由器具有快速感知的能力，從而更好地選擇專家。 Yuan2.0-

人工智慧 603 2024-06-07 09:06:30
從80個模型中建構Scaling Law：華人博士生新作，思維鏈提出者力薦

在AI領域，擴展定律（Scalinglaws）是理解LM擴展趨勢的強大工具，其為廣大研究者提供了一個準則，該定律在理解語言模型的性能如何隨規模變化提供了一個重要指導。但不幸的是，擴展分析在許多基準測試和後訓練研究中並不常見，因為大多數研究人員沒有計算資源來從頭開始建立擴展法則，開放模型的訓練尺度太少，無法進行可靠的擴展預測。來自史丹佛大學、多倫多大學等機構的研究者提出了一種替代觀察：可觀察的擴展定律（ObservationalScalingLaws），其將語言模型(LM)的功能與跨多個模型

人工智慧 406 2024-06-06 20:40:36
重塑生成式 AI 時代的雲端「建構」體驗

生成式AI時代下的雲端運算產業變革在全面加速，新的雲端上建構的時間已經到來，作為一位開發者，如何才能游刃有餘地應技術革新？如何快速抓住新科技機會快速上手成長？加入開發者開發者必去的2024年亞馬遜雲科技中國高峰會，可以幫您答疑解惑並獲得回報！亞馬遜雲端科技正在雲端重塑生成式AI時代的開發、維運、優化等一棧式建構體驗，本次峰會我們將為您帶來全新開發者生成式AI探索之旅，囊括沉浸式明星產品體驗、動手特訓打榜與巔峰挑戰、技能認證與免費學習、技術前瞻分享、全球社群領袖對話、開發者創意市集等，幫助開發者享受無限

人工智慧 826 2024-06-06 18:48:01
人類偏好就是尺！ SPPO對齊技術讓大語言模型左右互搏、自我博弈

AIxiv專欄是本站發布學術、技術內容的欄位。過去數年，本站AIxiv專欄接收通報了2,000多篇內容，涵蓋全球各大專院校與企業的頂尖實驗室，有效促進了學術交流與傳播。如果您有優秀的工作想要分享，歡迎投稿或聯絡報道。投稿信箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.comRichardSutton在「TheBitterLesson」中做過這樣的評價：「從70年的人工智慧研究中可以得出的最重要教訓是，那些利用計算的通用方法最終是最有效的，而且優勢

人工智慧 447 2024-06-06 18:32:31
物理傳熱啟發的視覺表徵模型vHeat來了，嘗試突破注意力機制，兼具低複雜度、全局感受野

AIxiv專欄是本站發布學術、技術內容的欄位。過去數年，本站AIxiv專欄接收通報了2,000多篇內容，涵蓋全球各大專院校與企業的頂尖實驗室，有效促進了學術交流與傳播。如果您有優秀的工作想要分享，歡迎投稿或聯絡報道。投稿信箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com本文作者為VMamba的原班人馬，其中第一作者王兆植是中國科學院大學和鵬城實驗室的2022級聯合培養博士生，共同一作悅是中國科學院大學和鵬城實驗室的2022級聯合博士生，共同一作悅是中國科學院大學2021級直博生。他們的主要研究方向是視

人工智慧 526 2024-06-06 17:28:46
DenserRadar：基於密集LiDAR點雲的4D毫米波雷達點雲偵測器

原标题：DenserRadar:A4Dmillimeter-waveradarpointclouddetectorbasedondenseLiDARpointclouds论文链接：https://arxiv.org/pdf/2405.05131作者单位：清华大学论文思路：4D毫米波(mmWave)雷达以其在极端环境下的鲁棒性、广阔的探测范围以及测量速度和高度的能力，已经显示出在自动驾驶系统面临边缘情况(corner-case)时增强感知能力的显著潜力。然而，4D毫米波雷达点云的固有稀疏性和噪声限

人工智慧 769 2024-06-06 14:10:54
豆包大模型揭露評測成績，較上一代「雲雀」提升19%

近日，豆包大模型在火山引擎原動力大會上正式發表。以超低價格促銷大模型降價潮的同時，豆包的模型能力也引發產業關注。在火山引擎的一份產品資料中，豆包模型團隊發布了一期內部部分測試結果：在MMLU、BBH、GSM8K、HumanEval等11個行業主流的公開評測集上，Doubao-pro-4k的總分76.8分，相較於上一代機型雲雀Skylark2的64.5分提升了19%。這也優於同期測試的其他國產模型。此評測在今年5月完成，主要包括豆包括通用模型Pro、雲雀Skylark2以及內的九款國產大語言模型

人工智慧 357 2024-06-06 13:45:41
Yann LeCun：ViT慢且效率低，即時影像處理還得看卷積

在Transformer大一統的時代，電腦視覺的CNN方向還有研究的必要嗎？今年年初，OpenAI視訊大模型Sora帶火了VisionTransformer（ViT）架構。此後，關於ViT與傳統卷積神經網路（CNN）誰更厲害的爭論就沒有斷過。近日，一直在社群媒體上活躍的圖靈獎得主、Meta首席科學家YannLeCun也加入了ViT與CNN之爭的討論。這件事的起因是Comma.ai的CTOHaraldSchäfer在展示自家最新研究。他（像最近很多AI學者一樣）cue了YannLeCun表達，雖

人工智慧 1036 2024-06-06 13:25:02
賽諾菲與OpenAI、Formation Bio合作，加速AI藥物發現

編輯|X法國製藥公司賽諾菲（Sanofi）在5月21日宣布與OpenAI和美國生物技術公司FormationBio建立合作關係，以加速人工智慧在藥物開發中的應用。這次合作將改變製藥業的遊戲規則。透過結合數據、人工智慧技術和藥物開發的專業知識，他們的目標是徹底改變新藥的發現和推向市場的方式。賽諾菲執行長PaulHudson表示：「這次合作是我們成為以人工智慧為動力的製藥公司的重要一步。」OpenAI營運長BradLightcap表示：「AI在加速藥物開發方面具有巨大潛力。我們

人工智慧 535 2024-06-06 12:54:35
改進的檢測演算法：用於高解析度光學遙感影像目標檢測

01前景概要目前，難以在檢測效率和檢測結果之間取得適當的平衡。我們研究了一種用於高解析度光學遙感影像中目標偵測的增強YOLOv5演算法，利用多層特徵金字塔、多重偵測頭策略和混合注意力模組來提高光學遙感影像的目標偵測網路的效果。根據SIMD資料集，新演算法的mAP比YOLOv5好2.2%，比YOLOX好8.48%，在偵測結果和速度之間達到了更好的平衡。 02背景&動機隨著遠感技術的快速發展，高解析度光學遠感影像已被用於描述地球表面的許多物體，包括飛機、汽車、建築物等。目標檢測在遠感影像的解釋中

人工智慧 903 2024-06-06 12:33:01
清華接手，YOLOv10問世：效能大幅提升，登上GitHub熱門榜

目標偵測系統的標竿YOLO系列，再次獲得了重磅升級。自今年2月YOLOv9發布之後，YOLO（YouOnlyLookOnce）系列的接力棒傳到了清華大學研究人員的手上。上週末，YOLOv10推出的消息引發了AI界的關注。它被認為是電腦視覺領域的突破性框架，以其即時的端到端目標檢測能力而聞名，透過提供結合效率和準確性的強大解決方案，延續了YOLO系列的傳統。論文網址：https://arxiv.org/pdf/2405.14458專案網址：https://github.com/THU-MIG/yo

人工智慧 1298 2024-06-06 12:20:45
提高光學資料集利用率，天大團隊提出增強光譜預測效果 AI 模型

編輯|枯葉蝶最近，天津大學雷射與光電子研究所吳亮副教授、姚建鈰院士團隊聯合自然語言處理實驗室熊德意教授團隊報道了一種使用多頻率補充輸入的深度學習模型來增強光譜預測效果的方案。這種方案透過使用多頻率的輸入數據，可以提高光譜預測的準確性。此外，該方案還能夠減少在光譜預測過程中的雜訊幹擾，進而提高預測效果。此方案可提高現有光學資料集的利用率，在不額外增加訓練成本的基礎上，增強了與超表面結構對應的光譜響應的預測效果。相關研究成果以「Enhancedspectrumpredictionusingdeep

人工智慧 620 2024-06-06 12:09:28
單一4090可推理，2000億稀疏大模型「天工MoE」開源

在大模型浪潮中，訓練和部署最先進的密集集LLM在運算需求和相關成本上帶來了巨大挑戰，尤其是在數百億或數千億參數的規模上。為了應對這些挑戰，稀疏模型，如專家混合模型（MoE），已經變得越來越重要。這些模型透過將計算分配給各種專門的子模型或“專家”，提供了一種經濟上可行的替代方案，有可能以極低的資源需求達到甚至超過密集集模型的性能。 6月3日，開源大模型領域又傳來重要消息：崑崙萬維宣布開源2千億稀疏大模型Skywork-MoE，在保持性能強勁的同時，大幅降低了推理成本。基於先前崑崙萬維開源的Skywo

人工智慧 900 2024-06-05 22:14:46
HuggingFace教你怎麼做SOTA視覺模型

前有OpenAI的GPT-4o，後有Google的系列王炸，先進的多模態大模型接連炸場。其他從業者在震撼之餘，也再次開始思考怎麼追趕這些超級模型了。在這篇HuggingFace和法國索邦大學的一篇論文中，總結出了建構視覺大模型的關鍵經驗，為開發者指明了一條路。圖片這些經驗涵蓋了模型架構選擇、訓練方法、訓練資料等多個面向。作者在多方比較之後給了詳盡的總結，核心要點包括：想把視覺大模型搞好，架構的選擇很重要。語言模型對整體表現的影響，比視覺模組更大。採用分階段預訓練策略，更有利於建構模型能力。訓練資料應包

人工智慧 906 2024-06-05 21:39:58