Jiatao Gu
PulseAugur coverage of Jiatao Gu — every cluster mentioning Jiatao Gu across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Apple发布归一化轨迹模型，加速AI图像生成
Apple Machine Learning Research推出了归一化轨迹模型（NTM），这是一种新颖的生成模型方法，即使只有少数粗略的采样步骤也能保持精确的似然训练。与以往牺牲似然性换取速度的方法不同，NTM在每个反向步骤中利用了表达性条件归一化流。这种架构结合了浅层可逆块和深度并行预测器，允许从头开始训练或从预训练的流匹配模型进行初始化。NTM在文本到图像基准测试中表现出竞争力，仅用四个步骤即可生成高质量样本，同时保持生成轨迹的精确似然。
-
Apple 发布 SimpleDesign，用于蛋白质序列和结构联合建模
Apple 研究人员开发了 SimpleDesign，一个用于蛋白质序列和结构协同设计的新型模型。与以往的多阶段方法不同，SimpleDesign 使用单一阶段的端到端目标，直接对离散序列和连续结构进行建模。该模型采用基于 Transformer 的骨干网络进行特定模态的处理和全局注意力，在对超过 200 万个序列-结构对进行训练后，在协同设计和生成基准测试中取得了有竞争力的结果。
-
Apple 将在 CVPR 2026 上展示 AI 研究
Apple 的机器学习研究团队将在 IEEE/CVF 计算机视觉与模式识别会议 (CVPR) 2026 上发表多篇论文并参与研讨会。该公司也是此次会议的赞助商，会议将于 6 月 3 日至 7 日在丹佛举行。演讲主题将涵盖生成式 AI 用于手语、高效深度学习、视频大语言模型以及图像压缩等领域。
-
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。