Codi
PulseAugur coverage of Codi — every cluster mentioning Codi across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
开发者构建并移除了AI诈骗检查代理的代理权
一位开发者使用Azure Functions构建了一个诈骗检查代理，以验证网店URL的合法性。该代理旨在通过分析提供的URL帮助用户确定网站是否值得信赖。然而，该开发者后来移除了该代理的代理权。
-
AI软件开发关注规则、错误报告和代码审查
该集群讨论了AI软件的开发和维护，特别是开源项目。一篇文章探讨了使用语言模型开发AI占星功能，强调使用固定规则而非直接调用LLM以获得可靠性。另一篇文章强调了详细的错误报告对开源维护者的重要性，并以GitHub为例。第三篇文章反思了制定AI开发规则和管理AI生成代码审查的问题。
-
利用未索引数据进行人工智能：将录音和视频作为知识来源
该集群讨论了利用大型未索引数据语料库的方法，特别侧重于将录音转化为人工智能系统的基础数据。一篇文章详细介绍了 EarthLink Network 如何构建 18 款内部产品，另一篇文章则探讨了在 Microsoft Foundry IQ 中将视频和音频作为知识来源的使用，突出了先前未索引内容的潜力。
-
CoDi 扩散模型在少样本目标计数方面取得进展
研究人员开发了 CoDi，一种新颖的基于扩散的少样本目标计数模型，在密集区域和小型目标方面表现出色。该模型利用基于示例的条件模块在去噪网络中提取和调整目标原型，从而提高了目标定位估计的准确性。在少样本、单样本和无参考场景下，CoDi 在 FSC 基准测试上的表现显著优于现有最先进的方法，并在 MCAC 基准测试上设定了新标准。
-
CoLT框架教会多模态模型用潜在思维进行推理
研究人员开发了CoLT（Chain of Latent Thoughts，潜在思维链），一个旨在提高多模态大语言模型（MLLMs）在视觉推理任务中效率和效果的新框架。与依赖冗长文本标记的传统思维链（CoT）方法不同，CoLT利用潜在思维表示链，显著减少了推理时间和计算成本。该框架在训练期间采用轻量级外部解码器进行步级监督，确保了稳定且有意义的潜在推理，然后在推理时移除该解码器以实现最大效率。实验表明，CoLT的性能优于现有的潜在推理方…
-
潜在推理模型可能提供更安全、更可解释的AI
LessWrong 上的一篇文章探讨了潜在推理模型（LRMs）在AI安全和可解释性方面的潜在优势。这些模型在内部激活中执行思维链（CoT）推理，而不是生成显式文本，这可能提供一种更压缩、可能更易于理解的思维过程表示。作者认为，通过将整个想法编码到单个潜在标记中，LRMs可能比传统的基于文本的CoT更容易解释，特别是随着AI系统扩展到变革性水平。然而，该文章承认关于多义标记的可解释性存在不确定性，这很可能在如此压缩的表示中出现。