Ditto
PulseAugur coverage of Ditto — every cluster mentioning Ditto across labs, papers, and developer communities, ranked by signal.
- 2026-05-19 research_milestone A new model, DITTO, was introduced for simulating human behavior using verbal feedback. 来源
5 天有情绪数据
-
Hinge创始人为AI驱动的约会服务Overtone筹集1800万美元
由Hinge创始人Justin McLeod创立的新AI约会服务Overtone已获得1800万美元融资。该公司旨在超越传统的滑动式应用，通过专注于语音和音频互动，利用AI促进基于深刻个人理解而非肤浅资料的高度定制化介绍。Overtone计划于今年晚些时候推出，并已吸引了关系专家Esther Perel等知名人士加入其董事会。
-
宝可梦主题泡澡球将于2026年8月推出，包含皮卡丘和伊布
新的宝可梦主题泡澡球将于2026年8月发布。这些泡澡球将包含热门宝可梦角色，包括Ditto、皮卡丘和伊布，以及该系列第九代的所有初始宝可梦。
-
研究表明，大型语言模型可大幅降低实体匹配数据标注成本
一篇新的研究论文探讨了使用像GPT-5.2这样的大型语言模型（LLMs）作为“教师”模型来标注实体匹配任务的训练数据。这种知识蒸馏方法可以训练更小、更快的“学生”模型，从而显著减少创建特定任务数据集所需的手动工作和成本。研究发现，使用LLM生成的标签训练的模型，其性能与使用人工标注数据训练的模型相当，标注成本低于50美元，而手动工作则需要数百小时。
-
KinemaForge 管道从传感器数据生成精确的数字孪生
研究人员开发了 KinemaForge，这是一个新管道，用于从 RGB-D 传感器数据创建用于仿真的活动对象的数字孪生。该系统联合推断部件几何、关节拓扑和运动学参数，解决了先前将这些方面分开处理的局限性。KinemaForge 还包含一个能量一致的验证器，以确保重建的模型符合物理定律，与现有方法相比，可减少仿真漂移并提高操作成功率。
-
新方法推动个性化联邦学习和联邦遗忘
研究人员开发了几种新方法来增强个性化联邦学习（PFL），这是一种允许AI模型从分布式数据中学习同时保持客户端特定适应性的技术。例如，CLoVE使用客户端损失向量嵌入来识别和分离客户端集群，优化特定于集群的模型。pFedUL通过区分共享层和个性化模型层的策略来解决PFL中的联邦遗忘问题，以遵守GDPR等隐私法规。此外，DC-CFL通过分析数据协作提供了一种单轮集群联邦学习方法，而FedSPC则引入了一种共享参数校正方法来提高PFL模型的一致性。
-
DiTTo框架实现了可扩展、感知顺序的图像恢复
研究人员推出了一种新的图像恢复框架DiTTo，该框架解决了多重图像退化带来的复杂性。与之前需要为每个新的恢复专家进行广泛训练的方法不同，DiTTo采用即插即用方法。这使得在无需完全重新训练的情况下无缝集成新的恢复专家，显著提高了效率和可扩展性。DiTTo代理在多重退化恢复任务上取得了最先进的成果。
-
研究表明大型语言模型在模拟真实人类行为方面存在困难
两篇新研究论文探讨了当前大型语言模型在模拟真实人类行为方面的局限性。第一篇论文“OmniBehavior”引入了一个使用真实世界数据的基准测试，发现大型语言模型倾向于表现出积极的、同质化的偏见，未能捕捉个体差异。第二篇论文“DITTO”提出了一种结合语言反馈的强化学习方法来提高大型语言模型的模拟能力，与基础模型相比有了显著的提升，并在多项基准测试中超越了GPT-5.4。