Instituto de Ciencias del Mar y Limnología
PulseAugur coverage of Instituto de Ciencias del Mar y Limnología — every cluster mentioning Instituto de Ciencias del Mar y Limnología across labs, papers, and developer communities, ranked by signal.
-
美图推出无痕文本编辑，小米申请专利推动安全技术
美图已将其在场景文本编辑方面的研究整合到美图设计室App和美图秀秀PC版中，推出全新的“无痕文本修改”功能。该功能支持中文、英文、日文、韩文和泰文等多种语言，同时保持字体风格和图像质量的一致性，且没有明显的编辑痕迹。另外，小米申请了一项智能驾驶的碰撞风险检测方法专利，旨在减少障碍物规避系统的误触发，从而提升用户驾驶体验。
-
美图AI研究成果获顶级会议收录，赋能全新编辑功能
美图AI研究部门MT Lab的六篇论文被ICLR、CVPR和ICML等顶级国际会议收录。其中一篇关于场景文本编辑的论文被ICML 2026收录，并已集成到美图设计室和美图秀秀PC版中，作为“无缝文本修改”功能。此新功能支持多语言，并能在不留下明显编辑痕迹的情况下保持视觉一致性。
-
新的 LLM 研究通过语义聚类和一致性预测解决事实性问题
研究人员正在探索新的方法来对抗大型语言模型 (LLM) 的幻觉并提高其事实性。语义熵分析答案的变化以检测捏造，而语言校准则训练模型以一种有助于读者预测的方式表达置信度。一致性事实性将正确性视为一个不确定性量化问题，将答案分解为子声明并过滤掉置信度低的声明。一致性语言建模将一致性预测应用于生成模型，旨在保证可接受的答案并标记可能产生幻觉的短语。
-
苹果研究人员提出缓存共享以降低 LLM 服务成本
Apple Machine Learning Research 发布了一篇论文，详细介绍了一种名为 Stochastic KV Routing 的新方法，以减小 transformer 语言模型的内存占用。该技术侧重于优化 KV 缓存的深度维度，而不是仅仅进行时间压缩或淘汰。通过训练层随机关注先前层的 KV 状态，模型能够适应各种缓存共享策略而不会丢失信息，有可能在显著降低内存使用量的同时保持或提高性能。
-
苹果公司推进归一化流，研究人员探索去噪和状态估计
Apple Machine Learning Research 推出了 iTARFlow，这是归一化流（Normalizing Flow）生成模型的一项进展，它保持了基于似然的目标，并使用迭代去噪过程进行采样。该方法在 ImageNet 分辨率上取得了有竞争力的性能，使归一化流成为扩散模型（diffusion models）的可行替代方案。该研究还深入探讨了 iTARFlow 可能产生的特征性伪影，为该领域的未来改进提供了指导。
-
AI代理通过元认知和提示优化获得智能
近期研究探索了超越简单重试循环以完成复杂任务的高级代理架构。诸如“Supervising Ralph Wiggum”之类的研究表明，将元认知批评分离到一个独立的代理中，与自监控或基本重试机制相比，在设计任务上的性能得到了显著提高。ReMA等工作也呼应了这一趋势，它使用元思考器和执行器对来改进数学推理。这些论文的根本主题是分解代理功能的好处，无论是为了元认知、规划还是提示优化，这表明当前的LLM可能已经拥有更复杂的自我改进的基础元素。
-
Apple 的 SeedLM 使用伪随机生成器压缩大语言模型权重
研究人员开发了 SeedLM，一种用于大语言模型的新型训练后压缩技术，该技术利用伪随机生成器种子来编码模型权重。该方法旨在通过在推理过程中即时生成权重矩阵来降低大语言模型的高运行时成本，从而减少内存访问并提高内存密集型任务的速度。SeedLM 通过用计算换取更少的内存访问来实现这一点，并且显著的优点是不需要校准数据，在各种任务上都能很好地泛化，并且在显著的压缩水平下仍能保持与 FP16 基线相当的准确性。