Pashto
PulseAugur coverage of Pashto — every cluster mentioning Pashto across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的CCBENCH框架揭示LLM在文化能力方面存在不足
研究人员开发了CCBENCH，一个评估大型语言模型（LLM）文化能力的新框架。该框架评估LLM在多大程度上能够推断和适应用户的文化价值观，而不是依赖静态的人口统计信息。一项使用CCBENCH-Health的案例研究，该研究包含六种文化和52个医疗保健问题的对话，显示即使是表现最好的模型，也只能在20-30%的时间内获得文化上恰当的响应。研究还发现，模型有时难以理解隐式文化线索，尤其是在阿富汗等背景下，并且可能通过遵循内置假设而不是适应…
-
新的 J-LAW 框架融合定位与世界建模，以增强 AI 规划
研究人员推出 J-LAW，一种新颖的方法，可联合优化度量对象姿态和潜在世界状态，以改进规划和定位。该耦合因子图框架整合了经典的同步定位与地图构建 (SLAM) 和条件动作世界模型，解决了各自的局限性。在真实数据集上的实验表明，J-LAW 显著降低了预测误差和轨迹漂移，从而生成了一个既是度量的又是可用于规划的地图。
-
PRISM框架增强机器人世界模型动作采样
研究人员开发了PRISM，一个用于改进机器人世界模型中动作采样的新框架。PRISM直接从世界模型自身的学习表示中提取动作直觉，避免了对单独的大型视觉编码器或VLM的需求。这种方法将状态条件高斯先验集成到规划器的采样分布中，在Cube和PushT等任务上将成功率显著提高了高达35个百分点，而没有增加大量的推理开销。
-
AI世界模型通过潜在规划器获得长视界规划能力
研究人员开发了世界模型中长视界规划的新方法，解决了现有技术的局限性。一种方法FF-JEPA使用分层结构，包含两个前向动力学模型，其中包括一个无动作的潜在规划器来预测子目标，从而消除了对显式目标图像的需求，并实现了长时间的规划。另一种方法基于预训练的LeWorldModel，将规划摊销到潜在逆动力学映射中，用一个更快的、目标条件化的逆动力学模型取代了迭代优化，该模型在保持或超过性能的同时显著降低了计算成本。
-
新的Fisher-Preserving Guidance增强了扩散模型的导航能力
研究人员开发了一种新的无训练推理方法，称为Fisher-Preserving Guidance (FPG)，以提高扩散模型在视觉导航任务中的可靠性和效率。该方法有助于防止轨迹偏离训练流形，这是标准引导技术的一个常见问题。FPG通过计算保留Fisher信息的更新来实现这一点，每次迭代仅需一次反向传播即可实现实时应用。该方法还结合了截断Fisher去噪敏感性以实现鲁棒的动作融合，并在导航基准测试中展示了改进的性能。