coin
PulseAugur coverage of coin — every cluster mentioning coin across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
摩根大通在23万名员工中部署人工智能代理，每年节省20亿美元
摩根大通正在经历一次重大人工智能驱动的转型，将其智能代理整合到各项业务中，以实现流程自动化和提升客户体验。该银行专有的LLM Suite以及COiN和EVEE等平台已由大部分员工使用，带来了显著的效率提升和成本节约。虽然此次转型旨在让员工腾出精力处理更复杂的任务，但摩根大通承认，预计会有一些工作岗位减少，尤其是在行政岗位，尽管由于客户服务和技术岗位的增长，总体员工人数保持稳定。
-
人工智能代币计费缺乏透明度，研究表明存在巨额膨胀的可能性
人工智能计费实践缺乏透明度，用户经常为无法独立验证的不可见推理和缓存代币付费。研究表明，这种隐藏的使用量可能使账单膨胀超过1400%。虽然一些学术方法提出了与提供商合作审计的方案，但事实证明这在商业上是不可行的。另一种方法是通过在本地重新标记输出来与报告的数字进行核对，尽管推理和缓存代币仍未经验证。
-
新的ASR方法可防止多模态大语言模型遗忘技能
研究人员推出了一种名为注意力谱正则化（ASR）的新框架，旨在防止多模态大语言模型（MLLMs）在适应新数据时遗忘先前学到的技能。ASR通过总结跨模态注意力图的光谱统计信息来实现这一点，将其存储为原型分布，而不是重放旧数据。该方法约束了适应过程中注意力模式的有害漂移，理论上在特定假设下确保技能保留。在VQA v2和CoIN等基准测试上的实验表明，与现有的持续学习方法相比，ASR显著减少了遗忘并提高了性能。
-
新研究提升3D高斯溅射的效率和编辑能力
研究人员正在推进3D高斯溅射（3DGS）技术，以提高效率、准确性和编辑能力。新方法侧重于结合不确定性量化以实现更好的主动视图选择和场景重建，开发可证明的核集构造用于压缩，并增强具有一致性增强框架的以自我为中心的场景生成。此外，进展包括大规模场景的结构感知调度、动态场景的运动方差引导时间注意力、鲁棒的部件级编辑以及用于纹理操纵的内在分解。
-
AI模型改进程序化规划和视频生成
研究人员开发了新的方法，通过将程序化规划和视频生成与指导性内容和物理原理相结合，来改进这些能力。一种名为RECIPE的方法，使用带有接地质量奖励的强化学习，在大型、嘈杂的指导视频语料库上训练模型，从而增强其生成分步计划的能力。另一个系统NEWTON将视频生成视为一项代理任务，协调各种物理感知工具，并使用验证器进行迭代重新规划，以提高生成视频中的物理常识。