Pearl
PulseAugur coverage of Pearl — every cluster mentioning Pearl across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的图卷积注意力方法改进了光谱去噪
研究人员推出了一种新颖的图去噪和扩散方法——图卷积注意力（GCA），它提供了光谱视角。与标准的线性注意力不同，GCA直接利用输入图谱来提高去噪性能，尤其是在具有高光谱多样性的数据集上。该方法在图去噪和扩散任务中表现出了一致的改进，在合成和真实世界场景中均优于现有方法。
-
新的脑电图框架在精神病理学预测方面显示出潜力
研究人员开发了一个新的框架，用于分析脑电图（EEG）数据以预测精神病理学的维度。该框架将多尺度EEG特征组织为全局、区域和通道级别。在健康大脑网络（HBN）队列上进行测试时，与传统方法相比，粒度感知特征选择和基于树的模型在预测精神病理学维度方面显示出适度的改进。对PEARL队列的探索性检查表明，该选择原则在不同协议下具有技术可行性。
-
Genesis Molecular AI 开发 PEARL 模型用于药物发现
Genesis Molecular AI 是一家专注于药物发现人工智能的公司，开发了一个名为 PEARL 的新模型，该模型可以高精度地预测蛋白质的三维结构。这一突破解决了长期存在的蛋白质柔性建模的挑战，这是识别可行药物候选物的关键步骤。公司首席技术官 Sergey Edunov 曾领导 Meta 的 LLM 训练，联合创始人 Evan Feinberg 强调，现在这一领域正在进行创新的扩散研究，超越了传统的 LLM 架构。
-
新的RL框架PEARL增强了LLM日历冲突解决能力
研究人员开发了PEARL，一个旨在提高大型语言模型（LLM）管理日历冲突能力的强化学习框架。目前的LLM代理在此任务上表现不佳，错误率很高。PEARL通过为代理配备外部内存来存储和更新用户偏好，并通过逐轮奖励来优化决策来解决这个问题。在CalConflictBench基准上的实验表明，与现有方法相比，PEARL显著降低了错误率。
-
AI挖矿网络被指控在虚假AI任务上浪费电力
一项最新研究声称，AI加密挖矿网络Pearl在未进行任何可验证AI计算的情况下，消耗了大量的电力和GPU资源。该网络据称使用了相当于32万块RTX 3090级GPU的算力，消耗112兆瓦电力，来进行随机矩阵乘法运算，仅仅模仿AI数学。据报道，此举已导致vast.ai等平台上的GPU租金上涨38%，影响了独立研究人员。
-
新的关系因果模型增强AI推理能力
研究人员引入了关系结构因果模型（RSCMs），以增强人工智能系统的因果推理能力。该新框架通过整合对象及其不同的关系，扩展了传统的结构因果模型，使AI能够更好地理解和泛化其环境。该论文详细介绍了RSCMs如何识别关于未见对象组合的因果和观察性查询，并提出了关系神经因果模型，该模型在模拟场景中表现优于非关系方法。
-
New DeCAF framework speeds up biomolecular structure generation
研究人员开发了一个名为 DeCAF 的新框架，以加速生成 3D 生物分子结构的过程。该方法将现有的全原子共折叠模型提炼成更有效的流图，显著降低了计算成本和推理时间。与之前的基于扩散的模型相比，DeCAF 在预测蛋白质-配体姿态方面表现出更高的准确性和物理有效性，同时使用的计算步骤更少。
-
研究揭穿Pearl区块链“AI挖矿”的宣传
一项新研究揭穿了Pearl区块链“有用功证明”（PoUW）机制的宣传，发现它并未如宣传的那样为AI推理做出贡献。尽管该网络声称拥有强大的计算能力，但研究发现其运行仅包含琐碎的算术计算，未能产生任何有价值的AI输出。研究指出，该系统导致GPU租赁价格虚高，并转移了真正科学研究的资源，暴露了理论PoUW与其现实应用之间的实用性鸿沟。
-
研究：320K GPU未能从“Pearl挖矿”中产出AI
一项最近的研究，耗资约50美元进行，调查了使用大量320,000个GPU集群进行“AI挖矿”的有效性。研究结果表明，这种方法没有产生任何可辨别的AI输出，其生产力堪比土豆。该研究论文可在arXiv上找到，并指出这种方法如同在自家后院挖黄金一样徒劳。
-
AI加密货币Pearl的GPU挖矿热潮导致盈利能力下滑
一种名为Pearl的新型加密货币，它使用AI矩阵乘法作为其工作量证明机制，引发了GPU挖矿热潮。尽管初期回报丰厚，但随着更多矿工加入网络，盈利能力迅速下降，导致挖矿难度飙升。自4月下旬推出以来，该币的价值和每张显卡的收入已大幅下跌，目前估计高端GPU的每日收益已显著下降。
-
PEARL框架利用对比学习改进直播推荐
研究人员开发了PEARL，一个用于大规模直播推荐系统中无偏百分位数估计的新框架。该方法使用对比学习来模拟用户的相对偏好，避免了用户活跃度差异带来的偏差。在一个主要的直播平台上进行的在线A/B测试显示了显著的改进，包括观看时长增加了2.10%，互动率上升了1.49%。
-
Together AI 发布 Pearl 驱动的 Gemma-4-31B-it-Pearl 模型
Together AI 发布了 Gemma-4-31B-it-Pearl，这是一个具有增强功能的开源模型。该模型支持 32K 上下文窗口、可配置的思考过程、函数调用和 JSON 模式。这是 Together AI 首次推出由 Pearl 驱动的产品，并计划未来扩展其基于 Pearl 的产品线。
-
机器学习模型映射到信念变化理论
研究人员开发了一个新框架，该框架使用信念变化理论的原理来模拟二元人工神经网络（ANN）的训练。这种方法建立在 Alchourron、Gardenfors 和 Makinson (AGM) 框架的基础上，将二元 ANN 中的知识表示为命题逻辑，并将信念集修改映射到渐进状态转换。最新工作通过利用 Dalal 的方法和稳健的 AGM 式操作（如字典序修订和适度收缩）来扩展这一点，这与 Darwiche-Pearl 的迭代信念变化框架一致。