Pace
PulseAugur coverage of Pace — every cluster mentioning Pace across labs, papers, and developer communities, ranked by signal.
- developed alphaXiv 90%
- developed by alphaXiv 90%
- developed ScienceCast 90%
- developed by ScienceCast 90%
- developed Gotit.pub 90%
- developed by Gotit.pub 90%
- developed CatalyzeX 90%
- developed CORE Recommender 90%
- developed by CORE Recommender 90%
- instance of Gotit.pub 70%
- instance of ScienceCast 70%
- instance of alphaXiv 70%
- 2026-09-10 research_milestone Researchers introduced PACE, a backpropagation-free continual test-time adaptation system that achieves state-of-the-art accuracy and reduces runtime by over 50%. 来源
- 2026-07-13 research_milestone Researchers introduced PACE, an AI system for personalized 9-1-1 call-taker training, demonstrating significant improvements in training efficiency and mastery. 来源
- 2026-05-27 funding NYC-based Pace, an AI company automating insurance operations, raised $46 million in Series B funding led by Thrive and Sequoia at a $375 million valuation. 来源
- 2026-05-27 funding Pace raised $46 million in Series B funding co-led by Thrive Capital and Sequoia Capital, valuing the company at $375 million. 来源
- 2026-05-25 research_milestone A new research paper introduces the PACE framework for self-evolving small language model agents. 来源
5 天有情绪数据
-
引入用于解除LLM个性化学习的新基准和方法
研究人员引入了PersonaUnlearnBench，这是一个旨在评估从大型语言模型（LLM）中解除特定个性化学习有效性的新基准。该基准涵盖了六个LLM和五个不同的个性化，表明当前的解除方法在可靠地移除目标个性化而不负面影响通用效用的方面存在困难。为解决此问题，该论文提出了一种新颖的方法PaCE，该方法识别内部行为方向并训练模型抑制目标个性化，同时保留期望的响应和整体功能。
-
新的PACE系统精确地将AI生成的电影预演进行脚本化
研究人员推出PACE（Precise AI Cinematic Expression，精确人工智能电影表达），一个旨在弥合剧本与电影预演之间差距的新型类型化表示系统。PACE允许对角色、道具、场景和摄影机动作进行详细的、分层的声明，然后将其编译成扩散模型提示和3D场景。该系统旨在提供精确的几何一致性和构图，通过测量与声明值的偏差来工作，而不是仅仅依赖于AI的判断。
-
AI研究人员因安全担忧呼吁放缓AI发展 · 追踪2个来源
包括Geoffrey Hinton和Yoshua Bengio在内的一批知名AI研究人员，呼吁暂停或放缓先进AI系统的开发。他们引用了对OpenAI、Anthropic和Google DeepMind等公司开发的AI快速进展所带来的潜在风险和生存威胁的担忧。这些研究人员认为，目前的安保措施和社会准备不足以应对像GPT-4和Gemini这样日益强大的AI模型所带来的影响。
-
新的PACE框架增强了多模态嵌入模型
研究人员开发了PACE，一个新颖的两阶段框架，旨在改进多模态嵌入模型。该框架通过逐步扩展表示和可训练参数空间，解决了现有基于余弦的对比目标函数的局限性。PACE最初使用基于余弦的目标函数和低秩适配（low-rank adaptation）来稳定角度几何，然后过渡到点积相似度和全参数微调，以利用角度和范数信息进行更丰富的语义编码。该方法还结合了焦点嵌入损失（Focal Embedding Loss），以自适应地关注模糊查询，并在各种任务…
-
新的 PACE 框架可大幅缩短对话服务延迟和填充冲突
研究人员开发了 PACE，一个旨在提高检索增强对话系统效率和质量的框架。PACE 将感知首次响应时间 (PTFR) 正式化为一个关键目标，并结合多种机制在质量和成本约束下最小化 PTFR。在人形机器人销售服务中部署 PACE 后，其表现出显著的改进，包括将纯 LLM PTFR 缩短一半，并将填充-答案冲突减少 94%。
-
新的PACE系统通过减少50%的运行时间来优化AI自适应
研究人员开发了PACE，一种用于无反向传播持续测试时自适应的新系统，该系统可优化归一化层参数。该方法使用协方差矩阵自适应演化策略结合快速投影来有效地适应不断变化的数据分布。PACE通过引入自适应停止准则和专门的向量库，实现了最先进的准确性，并将运行时间与现有的无反向传播技术相比减少了50%以上。
-
新的PACE方法利用本体感觉增强机器人仿真到现实的迁移
研究人员开发了一种名为PACE（本体感觉锚定的跨模态编码器）的新方法，以改进强化学习策略从仿真到现实机器人任务的迁移。PACE利用在仿真和硬件中保持一致的本体感觉数据来锚定视觉和力/扭矩表示。这种方法有助于模型抑制特定于域的视觉变化，并专注于与任务相关的运动线索。在四个接触式装配任务上部署时，使用PACE训练的策略在现实世界中达到了93.3%的成功率，sim-to-real迁移损失极小，优于基线方法。
-
新的PACE方法增强了个性化联邦图学习
研究人员开发了PACE，一种用于个性化联邦图学习的新颖方法，该方法解决了客户端异构性问题。PACE将协同知识视为对本地模型的紧凑校正，而不是替代，允许接收者保留其完整的本地模型。该方法使用秩-r更新载体和对角线草图进行通信，并采用凸负对数似然校准（CNLL）来选择本地和外部对数之间的系数。PACE在多个数据集上显示出准确性和加权F1的改进，尤其是在外部校正被认为不合适时保留本地预测。
-
新的数据集PACE和PaceMaker框架解决了AI助手中的隐藏冲突问题
研究人员推出了PACE，这是一个新的数据集，旨在评估个性化AI助手识别用户请求与上下文信息之间隐藏冲突的能力。现有模型在隐式检索设置中存在困难，在这种设置中，相关的用户特定事实与请求没有直接关联。为了解决这个问题，该论文还提出了PaceMaker，这是一个多代理框架，它使用协调的代理进行查询重构、图遍历和冲突感知过滤，以检索决定性证据并提高冲突检测的准确性。
-
保险理赔员对人工智能整合表达强烈负面情绪 · 跟踪5个来源
保险理赔员对人工智能日益整合到他们的职业中表示强烈不满。许多人认为 AI 工具容易出错且负担沉重，导致理赔分类错误和工作量增加。这种情绪如此强烈，以至于在在线评论中提到 AI 的理赔员绝大多数都持批评态度，有些人甚至将该行业的就业下降归因于 AI 的采用。
-
新的代理框架可为大语言模型自动化提取特定发布商的内容
研究人员开发了PACE，一个代理框架，旨在为大语言模型数据管道自动化提取特定发布商的内容。PACE从样本页面和用户需求中学习提取配置，从而实现可扩展和准确的数据检索。这种方法优于通用提取器，并且在质量上接近手动设计的解析器，同时还能提取文章文本以外的元数据、图像和表格。
-
PACE框架通过优化视觉编码器和LLM来加速VLM推理
研究人员推出了一种新颖的免训练框架PACE，旨在加速视觉语言模型（VLM）的推理速度。PACE通过统一的压缩和提取范式优化视觉编码器和LLM，解决了现有方法的局限性。该框架包含一个自适应像素压缩器，用于在编码前对冗余视觉输入进行下采样，以及一个动态双注意力提取器，用于选择性地保留任务关键的视觉标记。与Qwen2.5-VL-7B集成后，PACE在仅使用10%视觉标记的情况下，实现了3.1倍的首个标记生成时间加速，同时保持了原始性能的93.8%。
-
新的基准PACESHOP评估AI购物助手
研究人员推出了PACEShop，这是一个新的基准数据集和评估协议，旨在评估个性化、可操作、组合式和基于证据的购物助手。该基准通过关注这些助手的结构化决策能力，而不仅仅是流畅的响应，来解决现有评估方法的局限性。PACEShop包含超过22,000条记录，具有详细的购物者画像、证据池和缺陷注释，能够更精细地评估助手性能。
-
新的 PACE 框架通过平衡重排和生成瓶颈来优化 RAG
研究人员开发了 PACE，一个旨在优化检索增强生成 (RAG) 系统新框架，通过解决重排和生成阶段的瓶颈。与之前只关注生成的旧方法不同，PACE 实证地描述了瓶颈如何转移，并提出了一种结合证据预加载和压力自适应预算的无需训练的方法。该方法优先考虑与查询相关且互补的证据，为贪婪选择提供理论保证，并根据系统压力动态调整重排预算。实验表明，PACE 提高了证据召回率，降低了延迟，并揭示了更聚焦的排名靠前的证据集可以带来更高的整体召回率。
-
新框架提升AI视频推理效率与准确性
研究人员正在开发用于大型语言模型视频推理的先进方法，旨在提高效率和准确性。Apple的内部化视觉思维（IVT）框架训练模型在内部预测视频的未来状态，与生成中间推理图像相比，降低了推理开销。同时，其他方法侧重于从长视频中提取相关证据，例如PACE，它使用问题派生的因素和候选答案来指导证据获取。新的数据集和基准，如Very Big Video Reasoning (VBVR) Suite和VBVR-Pro，正在被引入，以促进大规模视频推理…
-
新的 PACE 中间件提高了 LLM 语音对话的上下文准确性
研究人员开发了 PACE，这是一个新的中间件层，旨在提高全双工语音对话系统中的上下文管理。该系统解决了生成式上下文错误锚定 (GCM) 问题，即由于助手生成响应的速度快于用户听到它们的速度，导致用户语音被误解。PACE 将模型的上下文锚定到客户端播放边界，确保助手的内容准确地反映在用户的理解中。该系统在新 GCM-Bench 数据集上将指代锚定准确性从 25.0% 显著提高到 96.3%，同时在 Full-Duplex-Bench v…
-
新研究探索内存增强进化用于代码优化
两篇新研究论文提出了增强进化算法以进行代码优化和自动化算法设计的新方法。EvoMem 引入了一个持久化内存架构，用于捕获和重用不同运行和任务中的成功变异策略，旨在减少冗余探索。另一方面，PACE 专注于将局部逻辑解耦为称为可执行算法原语（EAP）的持久化单元，以实现有价值代码片段的代码级迁移和重用。
-
新的PACE框架通过交错推理和执行来加速具身AI规划
研究人员开发了PACE（Planning with Adaptive Cognitive Effort，具有自适应认知努力的规划）新框架，旨在通过解决过高的推理延迟，使增强推理的大型语言模型在具身系统中更加实用。PACE引入了交错思考-行动（Interleaved Think-Act）架构，允许推理和行动执行并发进行，同时还有一个动态预算分配器（Dynamic Budget Allocator），根据可用执行时间调整推理令牌预算。在Q…
-
Coros 更新手表，加入类似 Garmin 的实时追踪和睡眠洞察功能
Coros 为其 Pace、Apex 和 Vertix 手表系列发布了重要更新，增强了实时追踪、睡眠分析和心率数据呈现等功能。新的实时追踪功能类似于 Garmin 的 LiveTrack，允许用户通过网络链接与观众分享实时进度，需要连接配对的智能手机。睡眠追踪改进包括将午睡纳入睡眠评分，更加强调睡眠一致性和压力，以及合并睡眠时段的能力。还引入了新的指标，如就寝时间一致性和睡眠压力，提供了对睡眠模式和外部影响的更深入洞察。
-
新数据库FakeIDet3-DB旨在提高AI驱动的身份伪造检测能力
研究人员推出了FakeIDet3-DB，这是一个旨在改进伪造身份文件检测的新数据库。该数据库包含在真实、政府颁发的身份证件上的传统和生成式AI驱动的篡改，解决了因隐私法规而使用的合成模板的局限性。该系统采用了一种名为PACE的隐私感知补丁提取算法，该算法在防止个人身份信息泄露的同时生成数百万个补丁。评估表明，当前最先进的模型难以检测到这些复杂的攻击，表明需要更强大的取证工具。