grist
PulseAugur coverage of grist — every cluster mentioning grist across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的GRIT框架改进了视觉语言模型推理中的视觉基础
研究人员推出GRIT,一个旨在改进视觉语言模型(VLMs)中富文本推理的视觉基础的新训练框架。该框架解决了正确但视觉基础错误(CVMR)的问题,即模型在中间步骤中尽管存在视觉感知错误,仍能获得正确答案。GRIT将视觉基础整合到具有可验证奖励的强化学习(RLVR)中,以更好地区分正确和不正确的视觉基础推理。为了便于评估,还开发了一个名为GRIT-Bench的新基准。
-
人工智能工具辅助紧急警报,但准确性仍存疑
尽管许多机构尚未正式允许使用人工智能工具,但应急管理者正越来越多地将其用于损害评估和资源协调等任务。专家认为,人工智能在灾难期间协助公众沟通方面具有巨大潜力,因为人工生成的警报常常存在术语不当、信息缺失或细节无关紧要等问题。然而,人工智能生成的紧急警报的准确性令人担忧,最近发生的一起事件就证明了这一点:一个人工智能聊天机器人为飓风预警生成了气象上不准确的图表,凸显了在关键情况下仔细验证人工智能输出的必要性。
-
欧盟在审查19个现有选项后开发开源评估框架
Minghini领导的团队在为欧盟开发类似框架之前,确定了19个开源评估框架。这项工作是建立数字主权努力的一部分。
-
GRIT方法增强机器学习中的分布外鲁棒性
研究人员推出了一种名为几何鲁棒性不变训练(GRIT)的新方法,旨在增强机器学习模型在分布外(OOD)的鲁棒性。GRIT通过估计并投影掉从预训练特征对差异中导出的不稳定子空间,来解决从有限且可能存在噪声的不变对中学习的挑战。这种方法可以将投影应用于各种鲁棒性目标,包括经验风险最小化。实证结果表明,GRIT在多个数据集和学习目标上提高了平均OOD准确率,在许多情况下优于现有方法。
-
开源社区具备数字项目交付的关键技能
Grist博客文章讨论了开源社区如何已经具备处理数字项目的交付、维护和文档方面的能力。文章借鉴了卢森堡在数字主权方面的经验,并指出成熟的开源实践是成功实施的关键。
-
SHRED框架使用自博弈在没有专家数据的情况下训练自主代理
研究人员开发了SHRED,一个新颖的框架,使自动驾驶汽车、行人和骑自行车的人能够通过自博弈学习复杂的交互,而无需依赖专家演示。该方法结合了特定类型的动态和目标与程序化场景生成和随机化,以培养多样化的行为。SHRED在Waymo Open Sim Agents Challenge (WOSAC) 和 InterPlan 基准测试中表现出色,优于无演示自博弈基线和使用演示训练策略的方法。研究强调,在自博弈中引入异构性可以显著提高交通的真实…
-
图神经网络(Graph Transformers)因评分函数而避免了类似LLM的“注意力汇聚点”
一篇新的研究论文探讨了图神经网络中的“注意力汇聚点”现象,并将其与大型语言模型进行了对比。与通常将注意力集中在第一个令牌的大型语言模型不同,像GRIT这样的图神经网络在分子上很少表现出这种“注意力汇聚点”行为。研究表明,图的对称性和局部性可能会限制注意力,但在分子上,注意力评分函数本身是阻止汇聚点的关键因素。用点积替换GRIT的门控logit会显著增加汇聚点速率,这表明注意力汇聚点是点积注意力的一个特性,而不是Transformer的普遍特性。
-
数字主权计划需要时间和信任来建设基础设施
建设共享数字基础设施需要大量的时间投入,以建立信任并收集其有效性的证据。这对于旨在实现数字主权的计划尤其如此,卢森堡的经验教训就证明了这一点。该过程涉及仔细规划和对长期发展的承诺。
-
卢森堡建立数字主权法律框架
文章讨论了卢森堡如何通过创建数据和技术的法律框架来建立数字主权。文章强调了这项举措对于国家控制数字资产和基础设施的重要性。文章强调,数字主权不仅仅是一个概念,还需要实际的实施和法律依据。
-
新AI模型ReMAIN从稀疏数据中重构复杂等离子体动力学
研究人员开发了一种名为ReMAIN(循环多尺度仿射调制推理网络)的新型深度学习模型,用于从有限的传感器数据中重构复杂的等离子体动力学。该模型通过使用由循环状态条件化的U-Net架构,改进了先前的方法,使其能够更好地捕捉不同尺度的空间结构并适应不同的运行区域。在基准测试中,ReMAIN显示出更低的重构误差,以及对细微尺度变化和尖锐过渡更准确的解析,并已成功应用于重构不同电场强度下等离子体系统的动力学。
-
新型AI模型SHRED可实现液态金属流动的实时监测
研究人员开发了一种名为浅层循环解码器(SHRED)的数据驱动框架,并结合主成分分析,用于磁流体动力学(MHD)液态金属流动的实时监测。该方法旨在克服此类应用(尤其是在托卡马克聚变反应堆中)高保真模拟的计算限制。SHRED模型在重构温度、压力和速度场方面,在各种磁场强度和倾斜角度下,平均相对误差约为5%,显示了其在复杂工程场景中的可靠性。
-
新的GRIT格式旨在防止量化AI模型中的静默错误
一种名为GRIT(Grouped Reduced-precision Interchange Type)的新型交换格式已被开发出来,以解决量化模型检查点中的关键错误。这些错误在vLLM和SGLang等系统中静默发生,由于数值格式、比例约定和数据布局处理方式的差异,导致模型输出不正确。GRIT引入了一个结构化的四元组——Grade、Placement、Planes和Shape——明确定义了数值约定和物理布局,确保这些细节在每个边界都清晰…
-
Grit 待办事项和习惯追踪应用已在 F-Droid 上架
Grit 是一款简单的待办事项列表和习惯追踪应用程序,可在 F-Droid(一个免费和开源的 Android 应用程序仓库)上获取。该项目强调使用代理指令文件作为一项关键功能。
-
缅甸稀土矿在冲突和环境破坏中为全球供应链提供动力
缅甸的稀土矿开采,特别是在实皆地区和掸邦东部,由于2021年军事政变和强制征兵后该国经济不稳定而蓬勃发展。工人们为了生计,常常面临危险的条件和有毒化学品,有记录显示发生过致命的山体滑坡,并有报告称存在涉及囚犯和人口贩运受害者的奴隶劳动。中国公司在少数民族武装控制的自治区运营这些矿山,利润共享,提取的材料被洗白进入中国供应链。这种对电动汽车和先进武器等技术至关重要的提取过程,正在造成严重的环境破坏,包括河流污染和农田中毒,而相关公司几乎…
-
AssemblyAI 评选 2026 年最佳实时语音转文本应用
AssemblyAI 发布了 2026 年最佳实时语音转文本应用指南。文章基于准确性、延迟、说话人分离和 AI 功能等标准,评估了 Grain、Granola、Cluely 和 Wispr Flow 等工具。这些应用利用实时语音 AI 模型(类似于 AssemblyAI 开发的模型)将口语转换为可操作文本,延迟极小。
-
新的pyMEAL工具箱增强医学图像翻译的鲁棒性
研究人员开发了pyMEAL,一个用于医学图像翻译的新型工具箱,解决了患者变异性和有限训练数据等挑战。该系统采用了多编码器增强感知学习(MEAL),通过专用的编码器路径处理多个增强变体。这种方法,特别是MEAL-BD策略,动态地对增强特定特征进行加权,以保留互补表示并增强鲁棒性,在CT到T1加权MRI翻译任务中表现优于现有方法。
-
机器人框架GRIT从稀疏分类指导中学习灵巧抓取
研究人员开发了GRIT,一个新颖的两阶段框架,旨在通过从稀疏分类指导中学习来提高机器人中的灵巧操作。该方法首先根据场景和任务上下文预测抓取规范,然后生成连续的手指运动来执行抓取。GRIT在泛化到新物体方面表现出增强的能力,成功率达到87.9%,并通过高级分类选择允许对抓取策略进行现实世界的调整。
-
受AI影响入门级岗位,新加坡毕业生接受半薪工作
由于就业市场充满挑战,新加坡的毕业生正在接受远低于典型起薪的薪酬,有时甚至不到一半。人工智能(AI)的日益普及加剧了这种情况,它正在影响入门级职位,并且整体招聘放缓。政府支持的GRIT计划提供带薪的培训职位,作为毕业生在当前经济环境下积累经验的一种方式。
-
新的GRAIN算法解决了大型AI模型中的学习不稳定性问题
研究人员推出了一种新颖的训练算法GRAIN,旨在解决大型、过参数化深度学习模型中的学习不稳定性问题。GRAIN用组梯度(group-wise gradients)的最小范数凸组合(min-norm convex combination)取代了标准的梯度均值聚合(mean aggregation)。这种方法保证了聚合更新与每个组梯度之间的非负内积,有效解决了批内(intra-batch)和批间(inner-batch)梯度冲突。在各种任…
-
Rust 推理引擎 Grout 提供安全的 GPU 性能,可与 vLLM 媲美
一款名为 Grout 的新 Rust 推理引擎已被开发出来,它提供安全的 GPU 推理,性能可与 vLLM 和 SGLang 等现有解决方案相媲美。Grout 使用 cuTile Rust 构建,通过编译器验证确保内存安全和数据竞争自由,使其成为值得信赖的 AI 生成代码选项。该引擎表现出强大的性能,在 RTX 5090 上实现了 Qwen3-4B 的 171 tokens/sec,在 B200 上实现了 Qwen3-32B 的 82…