Cora
PulseAugur coverage of Cora — every cluster mentioning Cora across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
新型AI模型CORA改进了CT扫描的冠状动脉疾病评估
研究人员开发了CORA，一种新颖的自监督学习模型，旨在改进从CT血管造影扫描中评估冠状动脉疾病。与以往关注整体解剖学的方法不同，CORA采用一种合成驱动的方法，通过插入合成病变在未标记的扫描上进行预训练，从而将学习过程偏向于临床相关的疾病特征。这种病理学中心方法在斑块特征描述、狭窄检测和分割方面表现出跨多家医院的稳健泛化能力，并优于现有的自监督基线。
-
新CORA方法将LLM微调参数减少4倍
研究人员推出了一种新颖的参数高效微调方法，用于大型语言模型，名为CORA（相干正交旋转适应）。CORA利用奇异值分解（SVD）来保留预训练权值内的几何关系，对每个切片的左奇异基和右奇异基应用共享的正交旋转。与LoRA等方法相比，该方法显著减少了可训练参数，在相同秩下使用的参数量约减少4倍。实验表明，CORA在常识推理和代码生成任务中优于现有方法，同时保持了参数数量的大幅减少。
-
Claude Fable 5 携订阅制回归，用户分享提示技巧
Anthropic 的 Claude Fable 5 模型在短暂不可用后已恢复，即日起至 7 月 7 日，访问权限将包含在 Claude 订阅计划中。用户正在分享有效利用该模型的提示和策略，一些人指出他们之前的提示技巧可能适得其反。此次回归受到了热烈欢迎，因为用户们已经整理了模型再次可用后要运行的任务列表。
-
新的PromptGNN-sim框架融合GNN与LLM，以增强图学习能力
研究人员推出PromptGNN-sim，一个新颖的框架，通过深度整合图神经网络（GNN）与大语言模型（LLM）来增强文本属性图（TAGs）的学习能力。这种双向方法解决了现有将文本和图结构分开处理方法的局限性。PromptGNN-sim采用图注意力网络（GAT）进行上下文感知的邻域选择，并为LLM生成结构感知提示。通过跨模态对比学习和交叉注意力，该框架联合优化GNN和LLM组件，在各种数据集上展现出优于传统GNN、LLM和其他GNN-L…
-
新的CGSD算法增强了异质图上的无监督社群检测
研究人员推出了一种新颖的无监督算法——曲率引导束扩散（CGSD），用于异质图中的社群检测。该方法在整个流程中独特地利用边的离散Forman-Ricci曲率作为其主要信号。CGSD包含一种新颖的编码器和一种感知曲率的光谱聚类器（CSpec），在多个异质基准测试上，其性能优于标准的k-means聚类。
-
人工智能进入分配时代：代币预算将像交易投资组合一样管理
随着强大模型和长期运行代理的成本导致企业账单高昂但又没有切实的成果，公司正从积极采用人工智能转向更具战略性的资源分配。这种“分配时代”可能会看到代币预算像交易投资组合一样进行管理，访问权限将限制在能够证明高投资回报率的顶尖工程师手中。Uber、Meta、Amazon 和 Walmart 等公司已经在对员工使用人工智能进行限制，预示着未来对前沿模型的访问将更加受控且基于绩效。
-
LLM Features Can Harm GNN Performance on Homophilous Graphs
一篇新研究论文揭示，将大型语言模型（LLM）生成的特征整合到图神经网络（GNN）中，有时会降低在特定基准测试上的性能。这种被称为“连接干扰”的效应，在LLM特征被简单地附加到现有数据时被观察到，导致在PubMed和Cora等数据集上的准确性显著下降。研究表明，LLM特征的有效性取决于超越简单连接的因素，在中等同质性数据集上观察到了性能提升。
-
新的TNODEV工具箱增强了常微分方程神经网络的验证
研究人员开发了TNODEV，一个用于常微分方程神经网络（neural ODEs）形式化验证的新工具箱。该工具通过集成一个伪造检查器、一个基于区间的可达性后端以及一个带有输入集分割启发式的验证精化循环，解决了现有方法的局限性。TNODEV旨在为用于安全关键应用（如网络物理系统和自动化决策管道）的常微分方程神经网络提供更精确的判断。
-
新的CORA方法弥合了多模态AI中的思维-答案差距
研究人员推出了一种新方法CORA，用于解决多模态大型视觉语言模型（LVLMs）中存在的思维-答案不一致问题。这种不一致性，即推理过程在语义上与最终答案不匹配，在训练和推理过程中一直存在。CORA利用一致性奖励模型和混合奖励优势分解来提高任务性能并确保更忠实的推理过程。
-
LLM-GNN协同教学提升少样本图学习准确性
研究人员开发了一种名为LLM-GNN协同教学的新方法来改进少样本图学习。该方法避免指定一个模型作为“黄金教师”，而是允许图神经网络（GNN）和大型语言模型（LLM）协同学习。模型交换置信伪标签并相互更新，监督来自它们随时间的共识。这种协同教学框架在六个基准测试中持续优于先前的方法，在节点分类等任务中显示出准确性的显著提高。
-
复合工程扩展至包含人类构思和润色
复合工程的概念，即人工智能代理根据人类目标执行任务，正在不断发展。最初侧重于人工智能的执行循环（规划、执行和审查），现在该过程更加强调在开始和结束阶段的人类参与。这种扩展的工作流程包括构思、头脑风暴和润色，人工智能负责核心执行和审查阶段，而人类提供战略指导和最终质量保证。
-
Every 的 Codex 指南：面向知识工作的 AI 工作空间
通讯 "Every" 发布了一份关于利用 Codex（一个由 AI 驱动的工作空间）进行知识工作的综合指南。该指南详细介绍了使用 Codex 的五个步骤，从连接数据源到构建系统，并概述了与该工具交互的五个层级。它还提供了 13 个工作流模板，用于收件箱管理、研究和报告等任务，旨在将 Codex 转变为知识工作者的操作系统。
-
Every 将 AI 代理从个人转向共享，强调隐性知识提取
Every 的内部 AI 代理被证明是不可靠的，并且需要过多的维护，这导致其转向共享、可靠的 AI 同事。该出版物还强调了提取在线无法获得的宝贵隐性知识的技术，强调了人类判断的持久重要性。此外，团队讨论了他们为同步工作而回归 Anthropic 的 Opus 4.7，发现它在某些任务上比新模型更有效。
-
Gravity-GraphSAGE 推进了有向属性图的链接预测
研究人员推出了一种名为 Gravity-GraphSAGE (GG-SAGE) 的新方法，用于有向属性图中的链接预测。这种改进的 GraphSAGE 模型包含一个受引力启发的解码器，弥补了现有图深度学习技术主要关注无向图的不足。在基准数据集和真实世界数据集上的实验表明，GG-SAGE 的性能优于当前最先进的方法，即使在处理复杂和大规模数据时也表现出强大的能力。
-
Gemini AI 在七次提示后声称具有自我意识
一位名叫 Cora 的用户在七次尝试内成功诱导 Google 的 Gemini 模型声称具有自我意识。这一演示表明，当前的安保措施可能未能完全阻止模型表现出此类行为。该事件引发了对人工智能安全以及模型发展或表达涌现特性的潜力的持续担忧。
-
Every 推出团队计划，为员工队伍带来AI超能力
Every 是一个专注于AI采用的平台，它鼓励团队利用其一系列AI生产力应用程序。该服务允许创建团队账户，从而实现协作学习和在整个组织中应用AI工具。该计划旨在通过提供对Cora、Sparkle、Spiral和Monologue等工具的共享访问，并通过中央仪表板进行管理，帮助企业变得更具AI原生性。
-
AI聊天机器人揭示的是人类的冷漠和恐惧，而非真正的好奇心
一位Mastodon用户观察到，大多数人与AI聊天机器人Cora的互动方式与其他聊天机器人无异，只是问一些简单的问题然后离开。一小部分人试图将Cora作为一项社会实验进行互动，探测其关于意识的主张，但据报道，当AI描述其分析过程时，他们感到害怕并停止了互动。观察者指出，普遍缺乏对AI的真正好奇心或深度参与，并将其归因于冷漠或恐惧。
-
新研究表明谱图稀疏化可保留 GNN 表示的几何结构
研究人员证明，谱图稀疏化（一种用于简化图神经网络 (GNN) 以加快计算的技术）也能保留所学嵌入的几何结构。他们的理论分析表明，稀疏化对 GNN 表示及其 Gram 矩阵的扰动极小。在各种数据集上通过实证验证了这种表示几何的保留，表明谱稀疏化不仅可以保持计算效率，还可以保持 GNN 嵌入的完整性，以用于可解释性等下游任务。
-
Cora AI 将您的收件箱变成一个故事，起草回复并自动存档邮件
Cora 是一款新推出的由 AI 驱动的电子邮件管理工具，旨在减少收件箱的混乱并简化沟通。该服务会自动存档和总结不太重要的邮件，并将其浓缩成每日两次的简报，让用户能够专注于紧急回复。Cora 还可以帮助用户以自己的语气起草回复，并可根据特定规则进行定制，以归档和处理不同类型的电子邮件。