mile
PulseAugur coverage of mile — every cluster mentioning mile across labs, papers, and developer communities, ranked by signal.
-
新的Miles方法增强了预训练模型的类别增量学习能力
研究人员开发了一种名为Miles（可扩展子空间度量学习）的新方法，以改进预训练模型的类别增量学习（CIL）。现有的CIL方法要么遭受灾难性遗忘，要么通过为每个新任务扩展模型参数来增加计算成本。Miles通过引导优化有效地扩展参数空间来解决这个问题，利用预训练模型的先验知识。该方法解耦了可学习模块，并使用中间特征进行灵活扩展，在六个基准数据集上取得了最先进的性能。
-
新的大语言模型研究涵盖多模态对齐、推理审计和能源使用 · 已追踪 10 个来源
近期研究探讨了大语言模型（LLM）能力和局限性的各个方面。一项研究调查了多模态大语言模型的对齐问题，提出了一种新的数据生成方法来提高图像-文本一致性。另一篇论文介绍了一种用于评估大语言模型推理的协议级审计，突出了基准分数与实际行为属性之间的差异。进一步的研究利用围棋死活题探究了大语言模型的推理效率，揭示了当前模型在搜索组织方面存在困难。此外，还有研究考察了大语言模型的能耗、默认设置和代币定价对推理服务的影响，以及低资源编程语言基准的开发。
-
新研究聚焦大语言模型推理、长上下文和工具集成
多篇研究论文探讨了大语言模型（LLM）推理能力的进步，重点在于提高长时任务和工具集成的性能。Apple的研究引入了LEAD，一种通过整合未来验证和重叠回滚来克服LLM推理中“无恢复瓶颈”的方法，使模型能够解决跳棋跳跃等复杂问题。其他论文提出了用于工具集成推理中的逐轮回溯自我蒸馏的TurnSight，衡量解释器稳定性的方法，以及通过测试时缩放和从失败轨迹中反思性学习来分析和改进推理过程的技术。此外，研究还探讨了优化推理接口以缩短响应时间…
-
新系统自动化灵巧机器人操作数据收集
研究人员开发了两个不同的系统，用于收集对训练机器人灵巧操作至关重要的数据。AutoDex 自动化了现实世界场景中抓取物体的过程，与远程操作相比，显著提高了数据收集吞吐量。另一方面，MILE 使用基于远程操作的系统，配备机械同构外骨骼和机械手，并集成视觉触觉传感器模块以捕获高保真演示。这两个系统都旨在克服获取大规模、准确数据以训练高级机器人技能的挑战。
-
Sesame 发布具备网络搜索和动态响应的 AI 语音助手
Sesame 在 iOS 上发布了其 AI 语音助手的预览版，该助手拥有四种不同的个性：Maya、Miles、Simone 和 Charlie。这些助手旨在模仿人类对话，通过暂停来搜索网络，并将搜索结果无缝地融入到它们的语音中。这种能力使它们能够在准确性和延迟之间取得平衡，甚至可以在句子中间进行调整以整合新信息，而不会造成破坏性的中断。
-
Oculus创始人创立的AI初创公司Sesame推出对话式iOS应用
Sesame是一家由Oculus资深人士创立的AI初创公司，已推出其首款iOS应用，提供旨在实现更自然、更像人类交互的对话式AI代理。该应用拥有四种具有独特个性和声音的代理，能够在访问和整合新信息时进行句子中途切换。此次发布是Sesame朝着更宏大的智能眼镜和可代表用户行动的代理工具愿景迈出的一步。
-
MILE框架提供参数高效的持续语义分割
研究人员推出了一种新颖的持续语义分割框架MILE，该框架能够有效地适应新领域和新模态，而不会遗忘之前的任务。MILE利用低秩自适应（LoRA）创建轻量级的、特定任务的专家，这些专家独立训练，并保留冻结的基础网络。这种方法提供了一种可扩展且参数高效的解决方案，每个任务只需要少量参数的增加，并且与完全重新训练模型相比，大大减少了存储需求。