Nile hippopotamus
PulseAugur coverage of Nile hippopotamus — every cluster mentioning Nile hippopotamus across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
独立开发者为复古游戏机改编1988年迷宫追逐游戏
Enrique G. Galvez 发布了“Mad Mix Game R (2026)”，这是对 Topo Soft 1988 年迷宫追逐游戏的最新改编。这个非官方的独立开发项目同时适用于 Sega Master System 和 Game Boy。玩家可以变身为河马、坦克或飞船来应对游戏中的挑战。
-
新的几何框架简化了结构化状态空间模型
研究人员引入了一种新颖的几何框架，用于构建离散时间结构化状态空间模型（SSM），这是 Mamba 等架构的基础。这种新方法利用滞后算子直接推导出离散时间递归，提供了更直观和模块化的设计。该框架允许通过组合不同的基函数和时间扭曲方案来创建新的 SSM，其中一个具体实例被证明可以精确复制 HiPPO 模型中的递归。
-
Hippo 工具包支持 LLM 的本地混合搜索，绕过云 API
一个名为 Hippo 的新开源工具包已被开发出来，用于支持大型语言模型 (LLM) 应用的本地、注重隐私的混合搜索。与依赖 Pinecone 或 ChromaDB 等基于云的嵌入式 API 和向量数据库的传统方法不同，Hippo 允许用户直接在自己的机器上执行搜索。它提供简单的安装，并支持 BM25 进行关键词匹配，以及结合 BM25 和本地密集嵌入进行语义理解的混合方法，使用 Reciprocal Rank Fusion 来合并结果。
-
SHiPPO 通过传输多项式投影推进循环记忆
研究人员推出了一种新颖的循环神经网络记忆机制 SHiPPO（Sylvester HiPPO），它增强了在长序列中保留和访问信息的能力。与先前将记忆固定在通道坐标中的方法不同，SHiPPO 将近似族和通道度量一起传输，从而实现动态更新并更好地恢复对顺序敏感的信息。实验表明，SHiPPO 变体可以回忆交错的绑定和操作，这表明在需要联想回忆的任务中性能有所提高。
-
新的HIPPO框架解决了大型语言模型推理捷径问题
研究人员开发了一个名为HIPPO的新强化学习框架，以解决大型语言模型（LLMs）利用捷径、通过记忆答案而非真正推理的问题。HIPPO将注入提示的聚合与成对奖励模型相结合，利用注入的提示为真实推理与捏造的合理化之间的比较创建显式锚点。实验表明，HIPPO显著提高了LLM的推理能力，并能很好地泛化到新任务，提取真实的推理技能。
-
HiPPO Zoo 通过显式、可解释的记忆增强 SSM
研究人员推出了“HiPPO Zoo”框架，通过使状态空间模型（SSM）的记忆机制显式化和可解释化来对其进行增强。该方法建立在原始 HiPPO 框架的基础上，该框架使用正交多项式和线性常微分方程来压缩序列数据。新的扩展允许自适应内存分配和联想记忆，类似于 Mamba 等现代 SSM，但对历史数据的处理和优先级排序方式更加透明。这些模型专为高效的流式更新而设计，并在合成序列建模任务中展示了其能力。