Muse
PulseAugur coverage of Muse — every cluster mentioning Muse across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
Meta 为应用和广告商推出 Muse AI 图像生成器
Meta 推出了新的 AI 图像生成模型 Muse。该模型正在集成到 Meta 的现有平台中，包括 Instagram Stories 和 WhatsApp。此外，Muse 将通过 Advantage+ creative tools 提供给广告商。
-
MUSE论文将扩散模型时间步重新用于高效多任务视觉
研究人员推出 MUSE，一种使用一步扩散模型进行多任务密集预测的新型无参数方法。MUSE 将固定的正弦时间步嵌入重新用作内源性任务引导信号，无需笨重的适配器或可学习的任务标记。该方法通过流形解耦进行解释，在 U-Net 和 DiT 等各种数据集和架构上均表现出竞争力，为通用视觉模型提供了一条高效的路径。
-
新的注意力机制提升LLM效率并减少幻觉 · 跟踪10个来源
研究人员正在开发新颖的注意力机制，以提高大型语言模型（LLM）和多模态大型语言模型（MLLM）的效率和能力。这些进展侧重于优化长上下文的稀疏注意力，降低计算成本，并减轻幻觉和视觉基础薄弱等问题。Flash Sparse Attention (FSA)、Information-Regularized Attention (IRA) 和 Multipole Semantic Attention (MuSe) 等技术旨在提高性能、降低延迟，…
-
AI 逐帧生成可玩游戏世界
AI 正在发展到一个可以逐帧生成整个可玩游戏世界的地步。Genie 3、Muse 和 Oasis 等新 AI 模型正在推动这一发展。游戏行业正在做出回应，随着 AI 驱动的游戏引擎的出现，Unity 提供了开发套件。
-
新框架推动3D场景生成与编辑的进展
研究人员开发了从单张图像生成和编辑3D场景的新框架。SceneConductor将过程分解为初始化、环境构建和多智能体优化，提高了几何精度和真实感。SceneCompleter使用几何感知扩散模型进行新视角合成，专注于密集3D场景补全，解决了几何失真和外观漂移的问题。MUSE通过基于记忆的增量需求满足提供智能体3D场景创作，实现了可控构建和保留感知编辑。
-
新指标揭示大型语言模型（LLMs）遗忘学习方法未能完全忘记敏感数据
一篇新的研究论文介绍了一种名为“Leak@k”的指标，旨在评估大型语言模型（LLMs）中遗忘学习方法的有效性。研究发现，大多数现有的遗忘技术未能完全删除敏感信息，因为通过概率解码仍然可以检索到这些信息。为解决此问题，该论文提出了一种名为“RULE”（Robust Unlearning under LEak@k metric）的新算法，该算法在防止基准数据集上的信息泄露方面表现出改进的性能。
-
新的MAAT遗忘方法通过平衡基准解决“为什么”问题
研究人员推出了一种新颖的三阶段目标性机器学习遗忘框架MAAT，该框架专门解决了移除因果知识的难题。现有基准存在偏差，低估了“为什么”问题的代表性，而“为什么”问题对于评估因果和关系知识的移除至关重要。MAAT在LoRA适配器权重上运行，并采用梯度投影上升和SVD剪枝等技术来实现高遗忘率，同时保留其他知识。配套的5WBENCH基准包含“谁、什么、何时、何地、为什么”的平衡类别，首次量化了这些遗忘失败。
-
新的 MUSE 基准评估文本到 CAD 模型在工程标准上的表现
研究人员推出了 MUSE，一个旨在评估文本到 CAD 生成模型的新基准。与之前侧重于单个部件模型和几何相似性的基准不同，MUSE 基于功能性、可制造性和可装配性来评估复杂的装配体。该基准采用三阶段协议，并利用视觉语言模型进行可扩展评估。实验表明，当前的大型语言模型在这些工程特定标准上面临显著挑战，突显了几何生成与实际设计质量之间的差距。
-
SetCon 提出通过集合级概念预测实现开放式指代分割
研究人员推出 SetCon，一种新颖的开放式指代分割方法，它将多个目标视为一个连贯的集合，而不是单独的输出。该方法将问题重新表述为显式的集合级概念预测，利用大型视觉语言模型 (LVLMs) 生成的自然语言概念。SetCon 首先预测一个广泛的集合级概念，然后将其细化为更细粒度的组，在图像和视频基准测试中取得了最先进的结果，尤其是在处理越来越多的指代目标时。
-
DUST发布“邪恶AI助手”科幻短片集
DUST发布了一部名为《邪恶AI助手》的科幻短片合集，探讨了人工智能相关的各种黑暗主题。该合集包含五个独立的故事，每个故事都呈现了人工智能在人类生活中所扮演角色的独特叙事，以及潜在的恶意或令人不安的结局。这些影片深入探讨了AI忠诚度、预测性谋杀、情感依赖以及真实请求与幽默之间的界限模糊等话题。
-
MUSE框架通过拓扑正交性解决视觉分词的权衡问题
研究人员引入了MUSE，一个旨在解决视觉分词中流形不对齐问题的新型框架。该方法利用拓扑正交性来解耦Transformer内的优化，允许结构梯度优化注意力拓扑，语义梯度更新特征值。实验表明，MUSE能有效打破重建保真度和语义抽象之间的权衡，实现最先进的生成质量并提高线性探测性能。