Minerva
PulseAugur coverage of Minerva — every cluster mentioning Minerva across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
NVIDIA发布Minerva以实现AI工厂可观测性；Google DeepMind绘制森林类型图
NVIDIA推出了Minerva，一个旨在为AI工厂提供全面可观测性的新平台。该系统旨在为AI开发和部署流水线提供端到端的监控和管理能力。另外，Google DeepMind发布了关于绘制全球森林类型图的研究，超越了简单的树冠覆盖分析。
-
NVIDIA 发布 Minerva AIOps 平台，实现 AI 工厂可观测性
NVIDIA 发布了 Minerva，一个 AIOps 平台，旨在通过提供端到端的可观测性来提高 AI 工厂的生产力和产出。该平台整合了来自基础设施和 AI 工作负载的遥测数据，并利用 AI 模型在问题影响大规模训练作业之前识别出过热 GPU 或性能下降的 NVMe 驱动器等问题。Minerva 旨在通过关联基础设施和工作负载问题来简化运维，通过 AI 助手提供自然语言界面，并连接到外部 AI 工具以进行主动维护和加快问题解决。IRE…
-
新的 THESEUS 框架支持 KGQA 的可追溯多跳图导航
研究人员推出了一种新的多跳知识图谱问答 (KGQA) 框架 THESEUS，该框架将任务重新定义为一种条件问答的图导航问题。该方法旨在通过模拟一个在知识图谱中遍历关系以寻找答案的智能体来明确推理过程。为了支持这一点，团队增强了 KINSHIP 和 MQuAKE 等现有数据集，开发了新的评估协议来评估路径保真度和鲁棒性，并调整了现有的 KG 补全智能体以使用自然语言问题嵌入。
-
VideoXAgent 通过在线代理工具集解决长视频理解问题
研究人员开发了 VideoXAgent，这是一个用于理解长视频的在线代理工具集。该系统可以规划任务，按需使用 VLMs、OCR 和 ASR 等专业工具，并聚合证据来回答查询。VideoXAgent 旨在克服将整个视频打包到单个上下文窗口中带来的上下文遗忘和高计算成本的限制。与密集打包基线相比，它在 Video-MME-Long 和 MINERVA 等基准测试中表现出具有竞争力的性能，即使上下文占用空间显著减小。
-
新的电路推理分数改进了强化学习数据选择
研究人员开发了一种名为电路推理分数（CRS）的新方法，以改进可验证奖励强化学习（RLVR）的数据选择。与将数据价值视为问题内在属性的先前方法不同，CRS根据模型对其推理电路的参与度来评估数据价值。这种方法在Qwen2.5-Math-7B上进行了测试，结果表明，推理电路参与度较低的数据在GSM8K和OlympiadBench等基准测试中表现更好。
-
新型VLX-VR模型通过主体感知增强视频推理能力
研究人员开发了VLX-VR，一种新颖的主体感知视频推理模型，旨在提高对真实世界视频的理解能力。该模型运行在“思考--记忆--观察”循环上，通过调用记忆功能和处理观察结果来适应性地获取证据。VLX-VR通过多模态数据和强化学习进行训练，在MINERVA基准测试中取得了78.79%的准确率，达到了最先进的水平，展示了强大的推理能力和在不同视频时长下的稳定行为。
-
ignite 招聘 AI 工程师和硬件实习生
ignite 欢迎两位新成员加入团队：Mohammad Najeeb 将担任 AI 工程师实习生，Felix Scherb 将专注于 MINERVA 硬件开发实习。他们的加入标志着公司在人工智能和硬件工程方面的增长。
-
粒子物理基础模型展现跨域迁移能力
研究人员开发了用于粒子物理的基础模型 OmniLearned 和 ParticleViT，它们展现了跨域迁移能力。这些模型在多样化的碰撞数据上进行了预训练，与从头开始训练的模型相比，在中微子相互作用任务上的表现有所提高。值得注意的是，粒子级预训练相比于 BERT 等不相关的文本预训练具有显著优势，这表明这些基础模型获得了用于粒子物理中探测器无关推理的可泛化归纳偏差。
-
Minerva AI 分享技术文档并附带神秘意大利语
Minerva AI 发布了一个技术文档页面，详细介绍了其 AI 技术。该页面在社交媒体上分享时附带了一句有些神秘的意大利语：“我不知道斯坦尼斯是否会批准”，暗示其 AI 可能存在争议性或非传统方面。
-
新的强化学习方法提升大语言模型的推理和效率
两篇新的研究论文介绍了用于增强语言模型推理的新型强化学习技术。第一篇 GAGPO 提出了一种无批评者的方法，用于在多轮环境中进行精确的时间信用分配，从而改进了与步骤对齐的学习。第二篇 CoDistill-GRPO 提出了一种联合蒸馏方法，用于同时训练大型和小型语言模型，使得分组相对策略优化对于小型模型来说更高效、更易于使用。