BDH-CQ
PulseAugur coverage of BDH-CQ — every cluster mentioning BDH-CQ across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Pathway 的受大脑启发的 BDH 架构在 Amazon SageMaker HyperPod 上开发
Pathway 是一家开发人工智能系统的公司，它创建了一种新颖的、受大脑启发的架构，称为 BDH（Dragon Hatchling），它超越了传统的 Transformer 模型。该架构在潜在空间中执行推理，在推理过程中调整其内部内存，而无需生成中间文本痕迹或为新知识进行重新训练。Pathway 正在利用 Amazon SageMaker HyperPod 来扩展 BDH 的开发和训练，并利用其高效计算资源管理的能力。
-
AI研究应对推理成本和LLM安全漏洞
研究人员开发了一种使用循环潜在推理的方法，以降低ARC-AGI基准的推理成本。该方法旨在使复杂的AI推理任务在计算上更有效率。此外，另一项研究探讨了攻击者如何利用跨模型兼容性从大型语言模型中提取专有推理痕迹。
-
Pathway 的 BDH-CQ 模型设定了新的 ARC-AGI-1 成本效益前沿
Pathway 发布了 BDH-CQ，一个拥有 1.5 亿参数的后 Transformer 模型，在 ARC-AGI-1 基准测试中取得了 29.5% 的分数。据报道，该模型设定了新的成本效益前沿，计算出的每任务成本仅为 0.0007 美元。该架构利用了循环记忆和潜在推理，不同于传统的长 token 思维链。这一发展可能与预测的记忆效率架构突破有关，OpenAI 研究员 Lukasz Kaiser 作为投资者和顾问参与其中。
-
BDH-CQ模型在AI推理成本效率方面达到新的最先进水平
研究人员开发了BDH-CQ，一种将具身上下文学习与循环潜在推理相结合的新型推理模型。该模型使用推理时输入更新其记忆，并在潜在空间中迭代计算解决方案，而不对中间步骤进行口头表达。BDH-CQ在ARC-AGI-1基准测试中实现了成本效率新的最先进水平，其1.5亿参数配置在每任务成本为0.0007美元的情况下，pass@2达到了29.5%。