race
PulseAugur coverage of race — every cluster mentioning race across labs, papers, and developer communities, ranked by signal.
- 2026-10-21 research_milestone Researchers introduced the RACE framework for training multimodal search agents, showing a 4.7% accuracy improvement on Qwen3.5-27B. 来源
9 天有情绪数据
-
新系统优化6G网络中物理AI的无线通信
研究人员开发了一个名为RACE(Risk-Aware Control for Edge Inference)的新颖系统,用于优化6G网络中物理AI设备的无线通信。该系统根据对错误操作风险和任务关键性的预测,动态调整可靠性目标,摆脱了“一刀切”的方法。模拟显示,与传统的固定SINR控制相比,RACE将平均准确性-延迟-能耗目标提高了11%,同时保持了接近零的约束中断。
-
新的RACE框架优化了序列推荐模型的效率
研究人员推出了一种新颖的框架RACE,旨在为资源受限环境优化序列推荐模型。与之前应用统一压缩的方法不同,RACE根据预测不确定性动态调整模型结构和输入序列。这种方法确保计算资源得到有效分配,避免在简单实例上浪费资源,并为复杂实例提供足够的能力。实验表明,RACE在准确性、效率和适应性方面均优于现有技术。
-
新型AI智能体可自动执行PCB布线,模仿人类工程师
研究人员开发了PCBRouteAgent,这是一种新颖的多模态智能体,旨在自动化印刷电路板(PCB)布线的复杂任务。该智能体通过协调高级战略规划和详细的几何执行来模仿人类工程师。该系统利用全局布线规划器进行拓扑和顺序规范,然后由详细布线执行器与KiCad的原生布线引擎进行交互,并结合反馈进行迭代优化。在合成板和真实板上的评估表明,PCBRouteAgent在复杂的布线挑战中取得了很高的净通过率,显著优于现有的基线方法。
-
新的RACE指标改进了机器人策略检查点选择
研究人员开发了一种名为RACE(校准累积评分)的新指标,以在训练过程中更有效地选择性能最佳的机器人策略检查点。使用平均验证损失的传统方法可能与实际性能不一致。RACE通过分析动作偏差及其对任务成功的影响来解决这个问题,并使用一组固定的成功轨迹来校准这些偏差。这种方法旨在为机器人策略检查点提供更可靠的排名,在模拟中优于现有基线,并与真实机器人上的实际部署成功保持一致。
-
新的RACE框架通过自适应奖励演进增强强化学习
研究人员开发了一个名为RACE(Reward-Adaptive Co-Evolution)的新框架,以改进开放式任务中的强化学习。该框架通过动态适应奖励的信息量,解决了静态评分标准和固定协同演进计划的局限性。RACE对训练数据组进行分类,仅用信息性信号更新策略,并根据奖励饱和度和改进平台期在策略和评分标准优化阶段之间切换。该系统还包括用于动态调整的在线阈值自适应。实验表明,RACE在多个任务中优于固定交替基线,并增强了评分标准的区分度。
-
AI系统在种族和性别方面持续存在偏见
AI系统持续表现出与种族和性别相关的显著偏见,这是一个已被记录和讨论的长期存在的问题。这些偏见体现在各种AI应用中,引发了对公平和平等的担忧。解决这些根深蒂固的问题需要持续的关注和开发努力。
-
研究发现:学习者错误会放大大型语言模型中的社会偏见
Hugging Face 的一项新研究探讨了提示中的语法错误如何影响大型语言模型中的社会偏见。研究人员发现,引入常见的学习者错误,特别是介词错误,会显著增加刻板印象的对齐和人口偏好偏见。研究表明,目前主要使用流利英语的偏见基准可能低估了非母语者所经历的偏见。在包含错误文本的模型上进行微调可以减轻这种增加的偏见。
-
新的RACE框架将多模态搜索代理的准确性提高了4.7%
研究人员推出RACE,这是一个新颖的框架,旨在通过综合需要视觉基础的任务来训练多模态搜索代理。该方法采用参照抽象(RA)和组合证据(CE)来创建图像、目标和答案之间的依赖关系,从而加强视觉搜索和证据整合的监督。在RACE上进行微调后,Qwen3.5-27B模型在十个多模态基准测试中的准确性提高了4.7%,性能从53.5%提升到56.0%。该团队计划公开发布代码、数据和模型。
-
新的RACE方法压缩LLM注意力,实现更快、更高效的推理
研究人员开发了RACE,一种通过降低查询和键向量维度的创新方法来压缩大型语言模型中注意力机制的方法。该技术基于联合查询-键激活能,允许模型在没有运行时重建或专用内核的情况下保留原生的降维表示。RACE在推理效率方面取得了显著的改进,减少了FLOPs、首个token的生成时间和GPU内存使用量,同时在各种任务上保持了具有竞争力的性能。
-
DiffResearch框架使用扩散模型将深度研究速度提高6倍
研究人员开发了DiffResearch,一个利用扩散语言模型(dLLMs)加速深度研究任务的新框架。通过取代传统的自回归模型,DiffResearch在规划和写作的端到端延迟方面实现了六倍的加速,同时保持了报告质量。一种新颖的dFast模式通过从中间去噪状态提取子查询,进一步提高了性能,在不影响结果的情况下提供了额外的加速。这个开源框架已被EMNLP 2026工业轨道接受,并展示了与商业系统相比具有竞争力的性能。
-
前Palantir高管为AI建筑设计初创公司Dream筹集1700万美元
一家名为Dream的新初创公司,由前Palantir高管创立,已获得由Andreessen Horowitz领投的1700万美元种子轮融资。该公司旨在通过开发自动化建筑设计和工程的AI驱动的世界模型来彻底改变建筑、工程和施工(AEC)行业。Dream的模型基于广泛的建筑许可数据进行训练,旨在创建结构稳固的设计,这与当前被认为过时且缺乏AI集成性的行业工具形成对比。
-
新型Verdict-MQ模型可高效地从单一状态编码中回答多个问题
研究人员开发了Verdict-MQ,这是一种新颖的编码器模型,旨在高效地回答关于单一信息内容的多个问题。与单独处理每个问题的传统交叉编码器不同,Verdict-MQ对核心信息进行一次编码,然后应用结构化注意力掩码来独立回答所有相关问题。这种方法旨在提高需要回答有关给定状态的众多小查询的组织任务的自动化效率和准确性。
-
当使用人口统计学进行提示时,LLM会表现出对多数群体的偏见
一项新研究表明,大型语言模型(LLMs)在接收人口统计学信息提示时,并不会充当中立的裁判。相反,在没有任何人口统计学条件设置的模型,其判断倾向于与白人、受过大学教育的标注者保持一致。研究进一步表明,对LLMs进行人口统计学特征条件设置,可能会无意中使其判断偏离少数群体,尤其是在使用结合了性别、年龄、种族和教育程度的交叉性特征时。指令调优似乎是造成这种不对称现象的一个因素,这表明应极其谨慎地使用社会人口统计学提示。
-
新的D2C-Routing方法改进了AI生成文本的检测
研究人员开发了一种名为D2C-Routing的新方法来检测AI生成文本,特别是在内容和表达来源不同的混合来源情况下。该方法将问题构建为维度到组成来源归因,在结合它们之前推断内容和表达来源。D2C-Routing系统在MixD2C基准测试中表现强劲,优于现有方法,并强调区分AI内容/人类表达和完全AI生成文本仍然是一个重大挑战。
-
新的RACE框架提供LLM神经元一致性的可扩展分析
研究人员引入了RACE(Residual Alignment for Consistency Estimation),一个旨在评估Transformer模型中神经元功能一致性的新型统计框架。该方法旨在解决识别跨广泛领域的稳定神经元行为所面临的挑战,而当前技术由于计算成本高昂或侧重于单个实例而难以应对。RACE提供了一种更具可扩展性的方法,与现有的基于梯度的方法相比,它展示了卓越的领域特异性和显著更低的计算开销,同时还验证了所选神经元与…
-
AI在种族和性别问题上持续存在困难
尽管在持续开发中,AI系统在种族和性别方面仍然表现出显著的偏见。这些偏见体现在各种AI应用中,凸显了该领域面临的一个关键挑战。解决这些问题对于确保公平公正的AI技术至关重要。
-
研究论文分析RL训练后计算分配
一篇新的研究论文探讨了如何在强化学习(RL)基础模型训练后,最佳地分配有限的计算资源。该研究引入了一个FLOP核算框架,用于分析模型大小、训练时长、rollout搜索和奖励反馈之间的权衡。研究结果表明,最佳分配策略是有条件的,会随着模型大小、预算和所用奖励系统的类型而变化。
-
新的机器学习框架通过覆盖率约束解决交叉偏见问题
研究人员开发了一个新的框架来缓解机器学习模型中的偏见,特别是针对种族和性别等多个敏感属性交叉的个体。该方法结合了覆盖率约束,以确保所有子群体(包括交叉群体)都有足够的代表性。该方法将偏见缓解构建为整数线性规划问题,优化策略并量化“公平性代价”作为容忍度的函数,从而能够在减少偏见和数据修改成本之间做出明智的权衡。在公共数据集上的评估表明,该框架能够保持预测准确性和下游机器学习性能。