Carve
PulseAugur coverage of Carve — every cluster mentioning Carve across labs, papers, and developer communities, ranked by signal.
- 2026-06-25 research_milestone Researchers introduced CARVE, a new recurrent model architecture that improves efficiency and performance. 来源
2 天有情绪数据
-
探索零样本 CT 视觉语言模型的测试时适应
研究人员调查了测试时适应（TTA）对于零样本 3D CT 视觉语言模型（VLMs）的有效性。他们的分析表明，TTA 的效用是有条件的，需要体积输入保持编码器深度结构，并且基础表示能够迁移到目标队列。他们引入了 CARVE（基数感知保留视图熵），一种专为此特定场景设计的新型 TTA 方法，该方法通过内存高效的多视图适应过程来估计标签基数并保留共现异常。
-
新的CARVE循环模型架构提高了效率和性能
研究人员推出了一种新颖的循环模型架构CARVE，旨在提高大型语言模型的效率和性能。CARVE通过在键轴而非值轴上实现内容感知的擦除机制，解决了现有delta-rule架构中的三个关键缺陷。这一改变使得训练过程更有效率，并减少了参数数量，同时在常识推理和检索任务上保持或提高了性能。
-
CARVE架构提升LLM的内存效率和性能
研究人员推出了一种新颖的内容感知循环架构CARVE，旨在提高大型语言模型的内存效率和性能。CARVE通过实现内存无关门控和优化参数使用，解决了现有delta-rule架构中的三个关键缺陷。与前代模型GDN-2相比，新模型在常识推理和检索基准测试中表现更优，同时还减小了内存占用和参数数量。
-
新基准和方法增强长视频AI的检索能力
研究人员推出了V-RAGBench，这是一个专门用于评估长视频检索增强生成（RAG）系统的新基准。该基准通过创建与查询相关的证据块，并实现检索和生成的分离评估，解决了现有方法的局限性。此外，还提出了一种名为CARVE的新方法，该方法利用并行检索器和块自适应重排来为每个视频块选择最佳配置，从而提高了性能，优于现有的VideoRAG基线。
-
新基准和CARVE方法推动长视频的VideoRAG发展
研究人员推出了V-RAGBench，这是一个旨在更准确地评估视频检索增强生成（RAG）系统的新基准，特别适用于长视频和以自我为中心的视频。该基准通过确保查询无法在没有视频内容的情况下得到解答，从而揭示检索错误，解决了现有方法的局限性。与基准一同提出的还有一种名为CARVE的新方法，该方法利用分块自适应重排，针对每个视频片段在不同模态和时间粒度上优化检索。
-
量子-AI系统CARVE-Q为自动驾驶提供认证修复
研究人员推出CARVE-Q，这是一个结合量子计算和经典AI进行交互式驾驶修复的新框架。该系统旨在为被否决的操控提供经过认证、可审计的修复，确保遵守交通规则和责任分配。CARVE-Q利用量子最小化搜索来高效搜索修复的格点，而认证和安全权威则保持经典，为自动驾驶提供一种信任边界的方法。
-
CARVE系统认证并修复被否决的驾驶机动
研究人员开发了CARVE，一个旨在认证和修复交互式驾驶场景中被否决机动的新系统。CARVE通过分析有限的战术算子格，区分自我拥有和代理拥有的机动来运行。它确保代理拥有的请求保持在定义的合作包络内，将运动可达性与规范优先级分开。
-
新的CARVE框架认证自动驾驶机动
研究人员开发了CARVE，一个旨在确保自动驾驶系统安全性的新认证框架。CARVE为多智能体修复提供运行时证明，允许进行小的调整以恢复机动可行性，而无需预测其他驾驶员的行为。该框架在模拟中对最初被否决的机动表现出高接受率，同时仍能遵守路权规则和安全保证。
-
CARVE软件通过重采样增强聚类分析验证
研究人员推出CARVE，一个开源软件包，旨在改进聚类分析结果的验证和探索。CARVE解决了聚类结果对算法和超参数选择的敏感性问题，而这种敏感性常常阻碍科学发现的可重复性。该软件包在多个层面提供稳定性和泛化性诊断，并提供原则性的选择规则，在合成和真实世界生物数据上表现优于传统的验证指标。
-
新的CARvE框架增强了不断发展的中心中的AI模型路由
研究人员推出了一种名为持续模型路由（CMR）的新框架，以应对在快速扩展的AI模型中心中管理和更新路由机制所带来的挑战。他们开发了CMRBench，一个包含2000多个模型的超大规模基准测试，以模拟真实的中心增长。所提出的CARvE方法利用对比嵌入，并结合了基于检查点的锚定和结构化重放，在准确性方面，无论是在模型、模型家族还是领域层面，都优于现有的检索、微调和适配器合并方法。
-
新的CARVE模型通过关键因素洞察增强3D视觉几何估计
研究人员确定了影响3D视觉几何估计模型的关键因素，并指出虽然多帧模型提供了更好的一致性，但它们在单帧精度方面通常滞后。他们的研究表明，增加数据多样性和质量可以显著提高性能，并且某些常见的损失机制可能会无意中降低精度。该团队推出了CARVE，一个结合了一致性损失和利用高分辨率输入的有效架构的新模型，在各种基准测试中表现出稳健的性能。