Mage
PulseAugur coverage of Mage — every cluster mentioning Mage across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
MAGE框架通过新颖的几何感知技术增强3D点云补全
研究人员推出MAGE，一个旨在改进视图引导点云补全的新颖框架。该方法通过增强模态对齐和自适应几何增强来解决现有方法的局限性。MAGE集成了共享自注意力Transformer和跨模态重建监督，以实现图像与点云之间更好的特征对齐。此外，它还包含一个自适应几何感知自注意力模块和一个几何感知锚点细化模块，以提高在合成和真实世界数据集上的性能。
-
Mage 发布浏览器AI工作室，支持无限图像和视频创作
Mage 推出了新的浏览器AI工作室，旨在实现无限且无审查的图像和视频创作。该平台支持 Flux、SD3.5 和 Wan Video 等顶级模型，以及 Mage 的独家模型。主要功能包括跨多帧的角色一致性以及使用参考视频进行运动控制，所有创作均私密且可商用。
-
LEASE框架统一视觉表示和生成
研究人员开发了LEASE，一个自监督框架，通过使用成对的生成-判别式码本来统一视觉表示和生成。该方法在离散令牌空间中运行，无需增强或教师模型即可实现高效训练。LEASE在ImageNet-1K上实现了最先进的统一性能，在线性探测、生成质量、少样本学习、迁移任务和鲁棒性方面均优于先前的方法。
-
MAGE框架使用知识图谱实现自进化AI智能体
研究人员开发了MAGE，一个使用共进化知识图谱来管理自进化语言模型智能体的框架。这种方法将智能体的知识外部化到图谱中，使其能够在不改变核心模型的情况下进行学习和适应。该框架在九个不同的基准测试中表现出色，优于依赖自然语言反馈或隐式强化信号的现有方法。
-
新的 Mage 框架评估 LLM 游戏场景生成，超越编译率
研究人员开发了一个名为 Mage 的新评估框架，用于评估大型语言模型 (LLM) 生成可执行游戏场景的能力。该框架超越了简单的编译通过率，涵盖了不同 LLM 和游戏概念的运行时成功率、结构保真度和机制遵循度。他们的研究结果表明，虽然直接的自然语言到代码生成实现了较高的运行时成功率，但往往会导致结构不健全的场景，而中间表示条件化则以牺牲运行时成功率为代价提高了结构完整性。
-
LEGO平台赋能基于LLM技能的前端设计生成
研究人员推出LEGO，一个旨在利用大型语言模型增强电子设计自动化（EDA）前端设计生成的新型平台。该系统将设计过程分解为六个不同的阶段，将每个代理的能力表示为灵活即插即用架构中的标准化、可组合电路技能。通过从现有研究和项目中提取和组织超过42个可执行电路技能，LEGO显著提高了解决复杂设计问题的成功率，与基线方法相比，Pass@1准确率提高了80.5%。
-
Mage 为产品开发者推出低代码机器学习工具
Mage 是由前 Airbnb 产品开发者开发的一款新的基于网络的工具，旨在简化没有机器学习经验的产品开发者的机器学习模型的创建和部署。该平台提供低代码界面，引导用户完成数据连接、准备、模型训练和 API 端点部署。Mage 提供自动化建议并解释精确率和召回率等模型准确性指标，使其区别于可能让用户缺乏评估能力的工具。