Amazon Machine Image
PulseAugur coverage of Amazon Machine Image — every cluster mentioning Amazon Machine Image across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
LeCun团队的世界模型通过AdaJEPA实现持续学习
纽约大学的研究人员与Yann LeCun的初创公司AMI合作，开发了AdaJEPA，一个能够持续学习的世界模型。与之前在预训练后冻结参数的模型不同，AdaJEPA通过与环境的交互，实时调整其编码器和预测器。这种通过“计划-执行-观察-更新-再计划”循环实现的调整，使模型能够不断完善其对世界的理解，即使在分布外场景下也能提高规划成功率。
-
世界模型初创公司融资超30亿美元，投资人押注模拟现实的AI · 跟踪1个来源
2026年上半年，风险投资已向开发“世界模型”的初创公司注入超过30亿美元资金，这标志着投资重点已从传统的大型语言模型（LLM）转向。这些新的AI系统旨在模拟现实和理解物理环境，而不仅仅是处理文本。知名案例包括Yann LeCun的新公司，该公司获得了创纪录的10.3亿美元种子轮融资，以及Fei-Fei Li的World Labs，融资10亿美元。投资者认为，这些“物理AI”模型代表了AI堆栈中下一个可防御的层级，Nvidia和Ama…
-
新的NAR-MBR解码提高了语音识别的速度和准确性
研究人员开发了一种新的语音识别非自回归解码框架，称为NAR-MBR解码。该方法旨在通过并行生成输出令牌来提高语音识别的速度，克服了非自回归模型通常伴随的性能下降。通过最大化从样本中获得的预期效用，而不是直接概率，NAR-MBR解码实现了更快的处理速度，并在多个基准数据集上优于以前的非自回归方法。
-
千觉科技完成数亿元融资，聚焦预测式世界模型
千觉科技是一家由清华大学校友创立的初创公司，已获得数亿元人民币的A轮融资，用于开发其具身智能世界模型。该公司的技术侧重于预测式世界模型而非生成式模型，旨在通过预测低维状态演化轨迹，使机器人能够理解和预见物理世界的变化。这种方法旨在避免像素级预测中出现的特征污染问题，并能实现更快、更适应性的机器人行为，其技术已应用于酒店清洁和服務机器人等多种场景，部署在超过10万台设备上。
-
LLM驱动的系统实时纠正会议中的说话人错误
研究人员开发了一个LLM辅助系统，旨在实时纠正会议中的说话人归属错误。该系统利用自动语音识别（ASR）和说话人分割技术，然后使用LLM生成的摘要帮助用户精确定位和修复错误。它整合了用户反馈来更新文字记录并注册新说话人，并包含精确识别预期纠错的机制。在AMI头戴设备测试集上的评估显示，与基线系统相比，DER和说话人替换错误显著减少。
-
Replit创始人分享AWS扩展经验
Replit创始人详细介绍了他在构建和扩展公司代码执行服务过程中学习DevOps和AWS的历程。起初，他依赖简单的EC2实例，但随着服务的发展，他遇到了单点故障和垂直扩展局限性等问题。这促使他采用基于AMI和Elastic Load Balancers的水平扩展来管理多个实例，并最终转向Application Load Balancers以获得更好的WebSocket支持。