Large Foundation Models
PulseAugur coverage of Large Foundation Models — every cluster mentioning Large Foundation Models across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
基础模型增强手部-物体交互研究
一篇新的调查论文系统地回顾了大型基础模型在手部-物体交互（HOI）任务中的应用。它将现有方法分为六个HOI任务，并提出了八个基础模型子先验的分类法，包括几何、语义和视觉先验。该论文分析了这些先验如何整合到HOI流程中，并讨论了它们在机器人学习中的应用，如技能迁移和数据生成。此外，它还概述了数据集、评估协议和未来的研究方向，并得到了一个持续更新的知识库的支持。
-
新的SUPRA方法通过基础模型改进多模态图学习
研究人员开发了一种名为SUPRA的新方法，以解决多模态属性图学习的挑战，特别是在使用大型基础模型时。传统方法面临困难，因为节点属性和图结构的强制聚合会引入噪声，从而降低性能。SUPRA采用解耦的双通路方法，将特定模态的特征与结构信息分开处理，与现有的多模态图Transformer相比，提高了性能，并显著减少了训练时间和内存使用。
-
新的零信任策略模型保护AI控制的机器人
一篇新论文介绍了一种名为ZTPM的零信任策略模型，该模型旨在保护控制工业机器人的大型基础模型（LFM）驱动的系统。该模型利用五个执行域中的25个类型化原语，解决了在代理式网络物理系统中识别出的五类特定攻击。实证评估表明，执行参数选择是模型依赖且非确定性的，这凸显了在物理执行边界进行策略级别强制执行的必要性。
-
MegaScale-Data架构将LFM训练吞吐量提高了4.5倍
研究人员开发了MegaScale-Data，一种新的分布式数据加载架构，旨在提高从多个数据源训练大型基础模型（LFM）的效率。该系统解决了由非均匀数据分布引起的负载不平衡和复制数据访问状态造成的过度内存使用等挑战。MegaScale-Data引入了分离式预处理、用于编排的集中式数据平面以及自动分区机制，从而显著提高了训练吞吐量并降低了内存消耗。