Clare
PulseAugur coverage of Clare — every cluster mentioning Clare across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的 CLaRE 技术可预测 LLM 编辑的涟漪效应
研究人员开发了 CLaRE，一种预测大型语言模型 (LLM) 在编辑其事实知识后意外涟漪效应的新技术。 CLaRE 使用前向激活来量化事实之间的纠缠，与以前基于梯度的方法相比，它更快、内存效率更高。该技术生成的纠缠图可以改进模型编辑、审计和评估，与现有方法相比，在与涟漪效应的相关性方面显示出显着改善。
-
新的基准 Video2Skill 测试从流媒体数据中发现 VLM 技能
研究人员推出了 Video2Skill，这是一个新的基准，旨在评估视觉语言模型 (VLM) 从流媒体视频数据中识别和组织可复用技能的能力。该基准测试了三个核心能力：时间事件定位、对相似变换进行分组以及决定是复用现有技能还是创建新技能。目前的 VLM 在这项任务上表现不佳，通常仅凭运气对事件进行分组，并且未能持续扩展其技能库，这凸显了具身人工智能发展中的一个重大瓶颈。
-
新的持续学习方法应对AI模型中的灾难性遗忘 · 跟踪4个来源
研究人员正在开发新的方法来应对持续学习中的灾难性遗忘问题，即AI模型在学习新任务时会丢失先前获得的知识。一种名为Multiple Embedding Replay Selection (MERS) 的方法，集成了监督和自监督嵌入，以改进回放缓冲区（replay buffer）的样本选择，在低内存场景下显示出优势。另一种方法CLARE利用基于稀疏性的框架来识别关键的微调参数，提高了可扩展性并减少了任务间的干扰。此外，一种名为DR.WIL…
-
New 3D Agent CLARE Resolves User Instruction Ambiguity Through Dialogue
研究人员开发了 CLARE，这是一种新颖的 3D 代理，旨在解决 3D 资产创建中用户指令的固有歧义。与将模糊输入视为错误的先前代理不同，CLARE 通过战略性对话来澄清意图，然后再执行任务。该代理通过模拟交互自我演进其澄清策略，以优化效率和任务完成度。CLARE 在新的基准测试中展示了最先进的性能，显著优于现有方法。
-
MambaGaze 框架使用 Mamba-2 进行认知负荷评估
研究人员开发了 MambaGaze，一个利用眼动追踪数据准确评估认知负荷的新框架。该系统利用双向 Mamba-2 有效建模长程时间依赖性，并采用 XMD 编码方法显式处理因眨眼等原因造成的缺失数据。MambaGaze 在基准数据集上的表现优于现有模型，并可在 NVIDIA Jetson 平台等边缘设备上进行实时部署。
-
CogAdapt框架将临床心电图模型适配到可穿戴认知负荷评估
研究人员开发了CogAdapt框架，旨在将现有的临床心电图基础模型适配到可穿戴认知负荷评估中。这是必要的，因为在临床数据上训练的模型由于信号配置和任务目标的差异，不能直接迁移到可穿戴传感器上。CogAdapt利用“LeadBridge”适配器将3导联可穿戴信号转换为12导联表示，并采用“ProFine”策略进行渐进式微调，在公开数据集上取得了更好的性能。