PulseAugur
中
实时 14:16:15
实体 More

More

PulseAugur coverage of More — every cluster mentioning More across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
6
90 天内 12
发布 · 30天
0
90 天内 0
论文 · 30天
6
90 天内 12
层级分布 · 90 天
主题
时间线
  1. 2026-06-08 research_milestone A new adaptive multi-objective reinforcement learning framework called MORE was introduced for e-commerce dialogue systems. 来源
  2. 2026-06-08 research_milestone A new adaptive multi-objective reinforcement learning framework called MORE was detailed in a research paper, showing significant improvements in e-commerce dialogue systems. 来源
情绪 · 30 天

3 天有情绪数据

最近 · 第 1/1 页 · 共 12 条
  1. TOOL · CL_363460 ·

    新的 MORE 管道增强了图像生成中多主题 LoRA 的组合

    研究人员开发了 MORE(一次合并,早期路由),一种新颖的两阶段管道,旨在改进文本到图像生成中多个 LoRA(低秩自适应)模型的组合。该方法解决了在组合多个 LoRA 时常见的受体干扰和消失问题,这在 FLUX 等现有系统中很常见。MORE 将 LoRA 池合并为单个适配器,然后在初始去噪步骤中将每个受体路由到其指定的区域,从而显著提高了在最终图像中保留两个受体的成功率。

  2. TOOL · CL_331154 ·

    混合复用专家(MoRE)架构揭晓

    研究人员推出了一种新颖的AI模型混合架构——混合复用专家(MoRE)。该方法允许模型内的相邻层之间共享专家池。虽然每一层都保留自己的路由器,但它可以从更大、共享的池中进行选择,从而在参数不成比例增加的情况下提高路由多样性。

  3. TOOL · CL_324275 ·

    新的AI训练框架MORE优化推理和效率

    研究人员推出了一种新颖的自进化训练框架MORE,旨在优化AI智能体的推理能力。该框架能够自适应地选择推理类型(直接回答、思维链或代码生成)以及每项任务所需的计算量。通过联合学习这些选择,MORE能够为简单任务分配更简洁的推理,而为复杂任务保留更长的思考时间。在编码、数学和通用推理基准测试中的实验表明,MORE能够持续提高性能和效率,从而在缩短响应长度和推理时间的同时提高准确性。

  4. RESEARCH · CL_332814 ·

    Metis-1.6 模型通过新颖的架构实现帕累托最优效率

    一位独立研究者开发了 Metis-1.6,一套新的语言模型 Praxis 和 Logos,它们优先考虑高效的训练方法和新颖的架构,而不是单纯的参数数量。尽管在通用基准测试中未能与前沿模型竞争,Logos 在数学方面表现强劲,在 AIME 2025 和 HMMT February 2026 基准测试中排名第 30 个模型中的第二名。技术报告还详细介绍了遇到的重大训练错误和架构挑战,并为 Metis-1.7 等未来迭代提供了关于出了什么问…

  5. TOOL · CL_317565 ·

    MoRE方法能够从单张图像生成关节式3D物体

    研究人员推出了一种新颖的方法MoRE,用于从单张图像生成关节式3D物体。该方法使用轴分类和Plücker力矩系数对关节属性进行编码,从而无需任意原点选择即可重建物体运动。MoRE的学习过程将解码的关节假设与带注释的关节进行比较,以确保运动保持,并利用图像条件流和多状态自适应高斯模型来处理功能潜在变量和外观。该系统可以为不同的状态驱动一组静止姿态高斯,与现有方法相比,在部件-边界框一致性和关节状态几何方面表现出改进。

  6. TOOL · CL_284827 ·

    新MoRE框架增强了基于语言的轨迹预测模型

    研究人员开发了MoRE,一个旨在增强基于语言的轨迹预测模型的新型框架。MoRE使用强化学习将数值预测先验知识整合到现有的语言模型中,利用五个固定的数值预测器提供坐标级别的运动和交互知识。该方法通过将语言模型的上下文理解与数值专家的精确反馈相结合来优化预测,特别关注困难的预测案例。该框架在ETH-UCY等基准数据集上显示出显著的准确性提升,在保持推理效率的同时降低了预测误差。

  7. TOOL · CL_242939 ·

    新的MORE架构将多任务学习整合到排序模型骨干网络中

    研究人员开发了MORE(Multi-task cO-evolving Ranking modEl),一种新颖的架构,将多任务学习直接整合到排序模型的骨干网络中。与之前仅在骨干网络之后应用多任务的方法不同,MORE使用共享和私有锚点,允许任务特定的信号在每一层与表示一起演进。这种方法在大规模工业数据集上表现出卓越的性能,并且在社交发现平台Momo上部署后,显著提高了用户参与度指标并降低了评分延迟。

  8. TOOL · CL_185384 ·

    新的UG-UMRE框架增强了多模态关系抽取

    研究人员开发了一个名为UG-UMRE的新框架,以改进统一多模态关系抽取(UMRE)。该方法解决了由固有不确定性引起的噪声传播问题以及不同模态分布之间的异质性问题。UG-UMRE包含一个不确定性驱动的单模态增强(UDUA)模块,该模块将特征建模为高斯分布,并使用自监督对比学习来过滤噪声。此外,一个联合随机不确定性对齐(JAUA)模块通过将跨模态的统计属性对齐到一个共享的潜在空间来预先校准语义。在基准数据集上的实验表明,UG-UMRE达到…

  9. TOOL · CL_151967 ·

    新MoRe方法加速多目标学习收敛

    研究人员开发了一种名为MoRe的新型随机多目标学习方法,该方法提高了同时优化多个目标的收敛速度。该方法通过利用正则性条件下避免冲突方向的Lipschitz连续性,解决了现有随机MGDA技术的局限性。这一理论上的进步在非凸环境中带来了更快的收敛速度,并且已被经验验证可提高多任务性能。

  10. TOOL · CL_129102 ·

    新基准 MORE 评估 149 种语言的多语言文档解析能力

    研究人员推出了 MORE,这是一个旨在评估 149 种语言多语言文档解析能力的新基准。该基准解决了当前模型在英语和标准中文以外的语言上缺乏评估的问题,这对于解锁全球知识至关重要。MORE 的显著特点是其广泛的语言覆盖范围、对表格和代码块等结构元素以及文本的评估,以及使用通过人工优化流程标注的真实世界文档。使用 MORE 进行的初步评估为不太常见的语言设定了新的性能基准,并证明了该基准在识别模型弱点方面的实用性。

  11. RESEARCH · CL_79574 ·

    新AI框架MORE提升电商对话转化率

    研究人员开发了一个名为MORE的新型自适应多目标强化学习框架,旨在优化电子商务对话系统中的推理准确性和语言自然度。该方法将推理函数视为指导策略优化的约束,避免了直接混合奖励带来的不稳定性。在字节跳动生产流量上的在线实验表明,MORE将转化率提高了16%以上,并实现了超过30%的转化达成率,同时还提升了用户满意度。

  12. RESEARCH · CL_36623 ·

    新方法学习用于持续学习的域不变表示

    研究人员开发了用于持续学习的新方法,重点在于学习域不变表示。这种方法旨在防止模型过拟合到特定的领域线索,从而提高对未见数据的泛化能力。所提出的技术结合了基于重放的训练和顺序不变性对齐,在各种基准测试上的表现优于现有的持续学习方法。这项工作通过专门解决域不变性问题,为持续学习做出了新颖的贡献。